arXiv cs.AI· Sol Lee, Hyunji Kim, Sungrae Hong, Donghee Han, Mun Yi·· 9 天前AI 评分18
面向可信脑肿瘤分割的缺失模态感知校准方法 MMA-LTS
Missing Modality-Aware Calibration for Trustworthy Brain Tumor Segmentation
AI 导读
针对多模态脑肿瘤分割中模态缺失导致置信度校准失准的问题，研究者提出缺失模态感知局部温度缩放（MMA-LTS），一种基于体素的事后置信度校准方法，通过模态可用性可学习 token 与体素级难度分数估计空间自适应温度场。在 BraTS 2020 和 FeTS 2024 上，MMA-LTS 在多种模态缺失场景下改善了校准效果，同时保持 SOTA 模型的分割精度。
正文 · AI 翻译
摘要：多模态脑肿瘤分割通常利用多种 MRI 模态，但由于协议异质性和扫描失败，临床实践中模态采集不完整的情况很常见。尽管近期方法在模态缺失条件下仍能保持分割精度，但它们往往忽视预测可靠性，导致置信度估计失准，阻碍了临床采用。现有校准技术大多与模态无关，或假设随着可用模态增加，预测难度单调下降。然而，在脑肿瘤分割中，预测难度主要取决于缺失哪些模态，而非缺失多少模态，从而导致组合特异且空间异质的校准误差。为解决这一问题，我们提出缺失模态感知局部温度缩放（MMA-LTS），一种事后逐体素置信度校准方法。它基于模态可用性可学习 token 和逐体素难度分数，估计空间自适应温度场。在 BraTS 2020 和 FeTS 2024 上的实验表明，MMA-LTS 在多种模态缺失场景下改善了校准，同时保持了最先进模型的分割精度，从而增强了面向临床部署的可信度。
| 评论： | MICCAI2026 海报 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11419 [cs.CV] |
| （或 arXiv:2610.11419v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11419 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Sol Lee [查看邮箱]
[v1]
2026 年 10 月 8 日星期四 07:46:21 UTC（4,087 KB）
来源：arXiv cs.AI · arxiv.org