近日，人工智能与计算机学院丁卫平教授团队在国际顶级期刊IEEE Transactions on Neural Networks and Learning Systems（TNNLS）发表题为“FEU-Diff: A Diffusion Model With Fuzzy Evidence-Driven Dynamic Uncertainty Fusion for Medical Image Segmentation”（基于模糊证据动态不确定融合的扩散模型用于医学图像分割）的最新研究成果。我校人工智能与计算机学院硕士研究生耿胜同学为论文唯一第一作者，人工智能与计算机学院黄嘉爽副教授、丁卫平教授为共同通讯作者，诸侯快1133为第一署名单位。
扩散模型是一类基于逐步去噪的生成式框架，近年来在医学图像分割领域备受关注，然而现有方法多采用静态融合策略，将条件先验与去噪特征简单整合，难以在不同去噪阶段自适应地平衡二者的作用。此外，这些方法普遍缺乏对模糊区域进行像素级不确定性建模，易在迭代去噪过程中丢失结构细节，从而影响分割结果的准确性与完整性。为此，该论文提出了FEU-Diff方法：一种将模糊证据建模与不确定性融合（UF）机制相结合的扩散式分割框架。具体而言，模糊语义增强（FSE）模块通过高斯隶属度函数与模糊逻辑规则对像素级不确定性进行显式建模，提升对模糊边界的识别与表征能力；证据动态融合（EDF）模块基于Dirichlet分布估计特征置信度，并在不同去噪阶段自适应地引导条件信息与去噪特征的融合；同时，UF模块量化多源预测间的差异，以补偿迭代去噪导致的细节损失。大量实验结果表明，本文提出的FEU-Diff方法较当前先进方法（SOTA）取得显著领先：Dice相似系数（DSC）平均提升1.42%、交并比（IoU）提升1.47%、95百分位Hausdorff距离（HD95）降低2.26毫米。此外，FEU-Diff方法还能生成像素级不确定性图，进一步提升模糊医学影像临床的可解释性。
IEEE Transactions on Neural Networks and Learning Systems (TNNLS) 是国际上神经网络与机器学习领域的权威期刊，主要刊载神经网络与学习系统的前沿理论与应用研究，由IEEE 智能计算协会主办，中科院1区Top期刊，最新影响因子8.9。
文章链接：https://ieeexplore.ieee.org/abstract/document/11165205
（唐增阳 耿胜）
