Quantifying Volumetric Risk: Class-Aware Asymmetric Weighted Conformal Prediction for 3D Medical Image Segmentation

📄 arXiv: 2610.09392v1 📥 PDF

作者: Shadi Alijani, Fereshteh Aghaee Meibodi, Homayoun Najjaran

分类: cs.CV

发布日期: 2026-10-07

💡 一句话要点

提出类感知非对称加权保形预测以解决3D医学图像分割的不确定性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 医学图像分割 不确定性量化 保形预测 3D分割 类特定偏差 深度学习 临床应用

📋 核心要点

  1. 现有的医学图像分割方法在处理3D多类分割时，无法有效捕捉类特定的偏差，导致不确定性校准不足。
  2. 本文提出的CA-WCP方法通过结合密度比加权和方向性分位数，针对每个类的特性进行不确定性量化。
  3. 在BraTS 2020和合成多脏器CT基准上，CA-WCP的覆盖率和区间宽度均优于传统的对称加权保形预测方法。

📝 摘要（中文）

可靠的体积分割对于临床诊断至关重要，但现有的基础模型如MedSAM缺乏在分布转移下的校准不确定性。现有的保形预测方法通常应用于2D场景，并假设对称误差分布，无法捕捉3D多类分割中的类特定偏差。本文提出类感知非对称加权保形预测（CA-WCP），结合潜在空间密度比加权和方向性分位数，针对每个类的假阳性和假阴性率调整分界，确保每个类的覆盖保证。我们在3D脑肿瘤分割和合成多脏器CT基准上评估了该方法，结果显示CA-WCP的覆盖率在95% Clopper-Pearson区间内符合名义90%的水平，且区间宽度相较于对称加权保形预测减少了8-14%。

🔬 方法详解

问题定义：本文旨在解决3D医学图像分割中的不确定性校准问题，现有方法在分布转移下表现出确定性，无法有效处理类特定偏差。

核心思路：CA-WCP方法通过结合潜在空间的密度比加权与方向性分位数，针对每个类的假阳性和假阴性率进行调整，从而实现更精确的覆盖率保证。

技术框架：该方法的整体架构包括数据预处理、密度比计算、方向性分位数估计和类特定的覆盖率调整等主要模块。

关键创新：CA-WCP的核心创新在于引入了类感知的非对称加权机制，能够有效捕捉3D分割中的类特定偏差，与传统的对称加权方法相比，提供了更为精确的覆盖率保证。

关键设计：在参数设置上，CA-WCP使用了从验证集获取的假阳性和假阴性率作为类特定的非对称因子，确保每个类的覆盖率均符合预期。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在BraTS 2020和合成多脏器CT基准测试中，CA-WCP的95% Clopper-Pearson区间覆盖率均符合名义90%的水平，且相较于对称加权保形预测，区间宽度减少了8-14%，显示出显著的性能提升。

🎯 应用场景

该研究在医学图像分割领域具有广泛的应用潜力，尤其是在脑肿瘤和多脏器CT的临床诊断中。通过提供更可靠的不确定性量化，CA-WCP能够帮助医生做出更精准的诊断决策，提升临床沟通的可解释性和有效性。

📄 摘要（原文）

Reliable volumetric segmentation is critical for clinical diagnostics, yet foundation models such as MedSAM remain deterministic and lack calibrated uncertainty under distribution shift. Existing conformal prediction methods offer statistical guarantees but are frequently applied in 2D and assume symmetric error distributions, so they do not capture the class-specific biases that arise in 3D multi-class segmentation. We propose Class-Aware Asymmetric Weighted Conformal Prediction (CA-WCP), which combines latent-space density-ratio weighting for covariate shift with directional quantiles for the lower and upper volume bounds, and scales each bound by a class-specific asymmetry factor derived from validation-set false-positive and false-negative rates. We prove that CA-WCP retains the weighted-exchangeability marginal coverage guarantee for every class, and we evaluate it on 3D brain tumor segmentation (BraTS 2020) and on a synthetic multi-organ CT benchmark constructed under covariate shift. On both benchmarks the 95\% Clopper--Pearson interval for the observed coverage of CA-WCP contains the nominal 90\% level for every semantic class, while interval width is reduced by 8--14\% relative to symmetric weighted conformal prediction. We further encode the calibrated intervals into structured prompts for a multimodal large language model to produce uncertainty-conditioned radiology reports, linking distribution-shift-aware uncertainty quantification to interpretable clinical communication.