[Paper] 不确定感知域适应用于临床照片中的白癜风分割

Source: arXiv - 2512.11791v1

概览

本文提出了一种 可信赖、具不确定性感知的分割流水线，用于在常规临床照片中自动测量白癜风病灶。通过结合领域自适应预训练、高频聚焦的 ConvNeXt V2 主干以及基于集成的不确定性估计，作者实现了业界领先的精度，同时为临床医生提供了模型不确定区域的明确信号。

主要贡献

• 领域自适应预训练：在大型 ISIC 2019 皮肤病变数据集上进行预训练，随后使用受 ROI 约束的双任务损失抑制白癜风图像中的背景噪声。
• 高频光谱门控 (HFSG) 模块 与 stem‑skip 连接 集成到 ConvNeXt V2 编码器中，使网络能够捕捉表征白癜风边界的细微纹理差异。
• 不确定性量化：通过 K 折集成结合测试时增强 (TTA)，生成像素级熵图，标记出需要临床医生复核的模糊区域。
• 全面验证：在专家标注的临床队列上报告 Dice 分数 85.05 %，并相较于强基线 CNN 与 Transformer 实现 30 % 的 95 % Hausdorff Distance 降低。
• 零灾难性失误 与可解释的熵可视化，树立了自动皮肤科工具的实用可靠性标准。

方法论

1. 数据高效训练

   • 首先在 ISIC 2019 数据集（大规模、公开的皮肤病变图像）上进行 领域自适应预训练。
   • 在白癜风队列上进行微调，使用 双任务损失： (i) 标准分割损失（如 Dice/CE）和 (ii) 受 ROI 约束的辅助损失，惩罚预测超出临床标记的感兴趣区域，从而有效过滤背景杂乱。

2. 网络架构

   • 主干采用 ConvNeXt V2，这是一种在速度与表达能力之间取得平衡的现代卷积架构。
   • 高频光谱门控 (HFSG) 块在频域处理特征图，衰减低频成分并保留划分白癜风斑块的高频边缘。
   • Stem‑skip 连接 将早期高分辨率特征直接传递至更深的解码阶段，帮助模型保留细粒度纹理线索。

3. 不确定性与信任层

   • 训练 K（例如 5）个独立模型，每个模型使用不同的数据折。
   • 推理时，对每个模型应用 测试时增强（旋转、翻转、颜色抖动），聚合 softmax 输出，并计算 像素级熵 作为不确定性得分。
   • 高熵区域被高亮显示以供人工复核，使黑箱模型转变为辅助工具，而非完全自主的决策者。

结果与发现

• HFSG 模块贡献约 3 % 的 Dice 提升和 5 px 的 Hausdorff 距离降低。
• 集成 + TTA 在清晰区域降低了平均熵，同时在模糊边界保持高熵，符合皮肤科医生的反馈。

实际意义

• 临床工作流集成 – 不确定性图可叠加在现有电子健康记录 (EHR) 查看器上，让皮肤科医生将注意力集中在最模糊的病灶边缘，从而加快记录和长期追踪。
• 可扩展部署 – ConvNeXt V2 + HFSG 主干在单个中等 GPU（如 RTX 3060）上运行流畅，适用于医院本地服务器或远程皮肤科套件的边缘设备。
• 监管友好 – 零灾难性失误和显式不确定性报告满足新兴 AI 医疗器械指南对 “人机协同” 安全网的要求。
• 可迁移性 – 领域自适应预训练 + ROI 约束损失的方案可复用于其他皮肤病变分割任务（如银屑病、黄褐斑），其中背景杂乱是主要挑战。

局限性与未来工作

• 数据集多样性 – 虽然临床队列已由专家标注，但图像来源于少数诊所且光照条件有限；需要更广泛的多中心验证。
• 计算开销 – K 折集成和 TTA 增加了推理延迟；未来可探索贝叶斯近似或轻量化不确定性头以保持速度。
• 细粒度病灶分类 – 当前流水线仅分割白癜风，未区分活动性与稳定性病灶；加入分类头可支持治疗决策。

核心结论：通过将频率感知特征提取与严格的不确定性估计相结合，本文提供了一个实用、可信的自动白癜风评估工具——这一思路可为更广阔的医学影像领域提供借鉴。

作者

• Wentao Jiang
• Vamsi Varra
• Caitlin Perez‑Stable
• Harrison Zhu
• Meredith Apicella
• Nicole Nyamongo

论文信息

• arXiv ID: 2512.11791v1
• 分类: cs.CV
• 发布日期: 2025 年 12 月 12 日
• PDF: Download PDF