風險引導的隱式邊界細化用於魯棒超聲圖像分割

醫學超聲圖像分割面臨着諸多挑戰，如散斑噪聲、低對比度邊界、聲影以及不同操作者和臨牀中心之間的採集差異。儘管編碼器-解碼器和基於Transformer的網絡已經取得了出色的性能，但許多方法通過密集解碼器或更大的骨幹網絡來恢復邊界細節，這在外部數據分佈偏移下仍可能產生過度平滑的輪廓或不穩定的預測。針對這一問題，本文提出了風險引導的隱式邊界細化（RIBR）框架。RIBR是一種緊湊的分割方法，其核心思想是利用隱式神經表示作為風險引導的殘差校正，而不是傳統的無約束全掩膜預測器。該框架包含三個關鍵組成部分：邊界細化隱式殘差、風險引導殘差控制以及幾何和散斑感知邊界正則化。邊界細化隱式殘差專注於改進不確定區域的輪廓；風險引導殘差控制則動態調整殘差校正的強度，抑制非邊界區域的振盪；幾何和散斑感知正則化利用超聲圖像中的幾何先驗和散斑紋理信息，進一步約束邊界形狀的合理性。研究團隊在涵蓋淋巴結、乳腺病變、甲狀腺結節和前列腺的九個超聲數據集上進行了全面評估。實驗結果顯示，RIBR在緊湊的參數預算下不僅取得了最佳的整體宏平均性能，而且在跨器官和分組比較中一致地降低了邊界誤差。這些發現表明，受控的隱式殘差學習是一種針對資源受限和邊界敏感場景下超聲圖像分割的實用策略。該方法已在GitHub上開源，代碼地址為https://github.com/jinggqu/ribr。