风险引导的隐式边界细化用于鲁棒超声图像分割
提出了一种名为风险引导的隐式边界细化（RIBR）的紧凑型分割框架，通过隐式神经表示作为风险引导的残差校正，结合边界细化、风险控制和几何-散斑感知正则化，在九项超声数据集上取得最优整体宏平均和一致更低的边界误差，适用于资源受限和边界敏感的超声图像分割。
来源arXiv Computer Vision作者: Jingguo Qu, Xinyang Han, Xiang Wang, Yuqi Yang, Tonghuan Xiao, Sheng Ning, Jing Qin, Ann Dorothy King, Winnie Chiu-Wing Chu, Jing Cai, Michael Ying
医学超声图像分割面临着诸多挑战，如散斑噪声、低对比度边界、声影以及不同操作者和临床中心之间的采集差异。尽管编码器-解码器和基于Transformer的网络已经取得了出色的性能，但许多方法通过密集解码器或更大的骨干网络来恢复边界细节，这在外部数据分布偏移下仍可能产生过度平滑的轮廓或不稳定的预测。针对这一问题，本文提出了风险引导的隐式边界细化（RIBR）框架。RIBR是一种紧凑的分割方法，其核心思想是利用隐式神经表示作为风险引导的残差校正，而不是传统的无约束全掩膜预测器。该框架包含三个关键组成部分：边界细化隐式残差、风险引导残差控制以及几何和散斑感知边界正则化。边界细化隐式残差专注于改进不确定区域的轮廓；风险引导残差控制则动态调整残差校正的强度，抑制非边界区域的振荡；几何和散斑感知正则化利用超声图像中的几何先验和散斑纹理信息，进一步约束边界形状的合理性。研究团队在涵盖淋巴结、乳腺病变、甲状腺结节和前列腺的九个超声数据集上进行了全面评估。实验结果显示，RIBR在紧凑的参数预算下不仅取得了最佳的整体宏平均性能，而且在跨器官和分组比较中一致地降低了边界误差。这些发现表明，受控的隐式残差学习是一种针对资源受限和边界敏感场景下超声图像分割的实用策略。该方法已在GitHub上开源，代码地址为https://github.com/jinggqu/ribr。