借助视觉基础模型深究医学图像分割中的偶然不确定性

医学图像分割通过精确勾画解剖结构与病灶来支撑临床工作流程。然而，医学图像数据集受采集噪声与标注歧义困扰，造成普遍的数据不确定性，严重损害模型鲁棒性。现有研究主要聚焦模型架构改进与预测可靠性估计，而对数据固有不确定性的系统探索仍不充分。为填补这一空白，本工作提出利用视觉基础模型的通用表征能力来估计数据固有不确定性。具体而言，我们分析模型解码表征的特征多样性并量化其奇异值能量，为每个类别定义语义感知尺度，从而度量样本难度与偶然不确定性。在此基础上，我们设计了两种不确定性驱动的应用策略：(1) 偶然不确定性感知的数据过滤机制，剔除潜在噪声样本以提升模型学习质量；(2) 动态不确定性感知优化策略，依据语义感知尺度在训练中自适应调整类别相关损失权重，并结合标签去噪机制提升训练稳定性。在涵盖CT与MRI模态、涉及多器官与肿瘤分割任务的五个公开数据集上的实验结果表明，我们的方法在多种主流网络架构上均取得显著且稳健的性能提升，揭示了偶然不确定性在医学图像理解与分割任务中广阔的应用潜力。