arXiv cs.AI· Mohammadmahdi Eshragh, Emad A. Mohammed, Behrouz Far, Ezekiel Weis, Carol L Shields, Sandor R Ferenczy, Trafford Crump·· 11 小时前AI 评分31
混合方法提升眼底图像病灶分割精度：UNet 粗定位 + SLIC 超像素边界恢复
Hybrid Approach for Enhancing Lesion Segmentation in Fundus Images
AI 导读
研究者提出一种混合流程：未修改的 UNet 在 128×128 图像上提供粗定位先验，免训练 SLIC 超像素方法在全分辨率恢复边界，并由图像与病灶比例自动选择超像素数量。
正文 · AI 翻译
摘要：脉络膜痣（CN）是常见的良性眼底病变，由于其中一小部分会转变为黑色素瘤，因此需要长期随访监测。在原始分辨率下进行精确勾画具有挑战性：CN 通常占图像不到 2%，边界不清晰，且专家标注有限。我们提出一种混合流程：在 128 * 128 图像上训练的未经修改的 UNet 提供粗略的位置先验，而无需训练的 SLIC 超像素方法在全输入分辨率下恢复边界。该先验还通过图像与病变面积比驱动每张图像超像素数量的自动选择，从而免去手动调参。在 25 张留出的 1024 * 1024 图像上，所提方法的平均 Dice 为 90.9%（IoU 87.9%），优于在相同分辨率下训练的 nnU-Net（83.2%）、Swin UNet（73.0%）和 Attention UNet（60.6%），且所有配对差异经 Holm 校正后均显著。在来自第二中心的 90 张外部图像上，该优势依然存在（76.8% 对 nnU-Net 的 69.3%）。消融研究确定自动超像素数量是关键组件。推理无需 GPU，在笔记本电脑上每张 1024 * 1024 图像需 1.6 秒，3900 * 3900 图像需 15 秒。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2509.25549 [cs.CV] |
| （或本版本的 arXiv:2509.25549v4 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2509.25549 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Mohammadmahdi Eshragh [查看邮箱]
[v1]
2025年9月29日 星期一 22:10:56 UTC（23,620 KB）
[v2]
2026年4月14日 星期二 18:07:05 UTC（9,916 KB）
[v3]
2026年9月29日 星期二 17:24:34 UTC（7,100 KB）
[v4]
2026年11月4日 星期三 21:19:58 UTC（1,107 KB）
来源：arXiv cs.AI · arxiv.org