HUR-MACL: High-Uncertainty Region-Guided Multi-Architecture Collaborative Learning for Head and Neck Multi-Organ Segmentation

📄 arXiv: 2601.04607v1 📥 PDF

作者: Xiaoyu Liu, Siwen Wei, Linhao Qu, Mingyuan Pan, Chengsheng Zhang, Yonghong Shi, Zhijian Song

分类: cs.CV, cs.AI

发布日期: 2026-01-08

💡 一句话要点

提出HUR-MACL模型，解决头颈部多器官分割中小器官分割精度低的问题。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 头颈部多器官分割 高不确定性区域 多架构协同学习 Vision Mamba Deformable CNN

📋 核心要点

  1. 深度学习模型在头颈部多器官分割中，对小型、形状复杂的器官分割精度不足，是当前面临的核心问题。
  2. HUR-MACL模型通过卷积神经网络自适应识别高不确定性区域，并利用Vision Mamba和Deformable CNN协同提升分割精度。
  3. 实验结果表明，HUR-MACL模型在多个数据集上取得了SOTA性能，验证了其有效性。

📝 摘要（中文）

针对头颈部危及器官精确分割在放射治疗中的重要性，以及深度学习模型在小型、复杂形状器官上的分割失败问题，本文提出了一种高不确定性区域引导的多架构协同学习（HUR-MACL）模型。该模型自适应地识别高不确定性区域，并利用Vision Mamba和Deformable CNN共同提高这些区域的分割精度。此外，还提出了一种异构特征蒸馏损失，以促进两种架构在高不确定性区域的协同学习，从而进一步提高性能。该方法在两个公共数据集和一个私有数据集上取得了SOTA结果。

🔬 方法详解

问题定义：头颈部多器官分割对于放射治疗至关重要。然而，现有深度学习方法在分割小型、形状复杂的危及器官时，精度往往较低。这些器官的形状不规则，边界模糊，导致模型难以准确区分，影响治疗效果。现有混合架构通常只是简单地连接不同模型的特征，未能充分利用各自的优势，导致功能重叠和分割精度受限。

核心思路：HUR-MACL的核心思路是关注分割任务中的高不确定性区域，并利用不同架构的优势来协同提升这些区域的分割精度。通过自适应地识别这些区域，并针对性地使用Vision Mamba和Deformable CNN，可以更有效地利用计算资源，并提高分割性能。异构特征蒸馏损失则进一步促进了不同架构之间的知识迁移和协同学习。

技术框架：HUR-MACL模型主要包含以下几个模块：1) 高不确定性区域识别模块：使用卷积神经网络自适应地识别分割任务中的高不确定性区域。2) 多架构协同学习模块：针对高不确定性区域，利用Vision Mamba和Deformable CNN两种不同的架构进行联合分割。3) 异构特征蒸馏模块：通过异构特征蒸馏损失，促进Vision Mamba和Deformable CNN之间的协同学习，提高整体分割性能。

关键创新：HUR-MACL的关键创新在于：1) 提出了一种自适应的高不确定性区域识别方法，能够有效地定位分割任务中的难点区域。2) 采用多架构协同学习策略，充分利用了Vision Mamba和Deformable CNN的优势，提高了分割精度。3) 设计了一种异构特征蒸馏损失，促进了不同架构之间的知识迁移和协同学习。与现有方法相比，HUR-MACL能够更有效地解决小型、复杂形状器官的分割问题。

关键设计：高不确定性区域识别模块使用一个小型卷积神经网络，输入为原始图像和初步分割结果，输出为高不确定性区域的概率图。Vision Mamba和Deformable CNN的结构根据具体任务进行选择和调整。异构特征蒸馏损失的设计需要仔细考虑不同架构特征之间的差异，以实现有效的知识迁移。损失函数的权重需要根据实验结果进行调整，以平衡不同模块之间的贡献。

📊 实验亮点

HUR-MACL模型在两个公共数据集和一个私有数据集上进行了评估，取得了SOTA结果。具体而言，相比于现有最佳方法，HUR-MACL在小型、复杂形状器官的分割精度上取得了显著提升，例如食管、脊髓等。实验结果表明，HUR-MACL能够有效地解决头颈部多器官分割中的难点问题，具有很强的实用价值。

🎯 应用场景

HUR-MACL模型可应用于头颈部肿瘤放射治疗的靶区勾画，提高危及器官的分割精度，从而优化治疗计划，减少副作用。该方法也可推广到其他医学图像分割任务中，例如腹部器官分割、脑部肿瘤分割等，具有广泛的应用前景。未来，可以进一步研究如何将HUR-MACL模型与其他先进技术相结合，例如Transformer、图神经网络等，以进一步提高分割性能。

📄 摘要（原文）

Accurate segmentation of organs at risk in the head and neck is essential for radiation therapy, yet deep learning models often fail on small, complexly shaped organs. While hybrid architectures that combine different models show promise, they typically just concatenate features without exploiting the unique strengths of each component. This results in functional overlap and limited segmentation accuracy. To address these issues, we propose a high uncertainty region-guided multi-architecture collaborative learning (HUR-MACL) model for multi-organ segmentation in the head and neck. This model adaptively identifies high uncertainty regions using a convolutional neural network, and for these regions, Vision Mamba as well as Deformable CNN are utilized to jointly improve their segmentation accuracy. Additionally, a heterogeneous feature distillation loss was proposed to promote collaborative learning between the two architectures in high uncertainty regions to further enhance performance. Our method achieves SOTA results on two public datasets and one private dataset.