一种新颖的弥漫性肝结节检测方法：通过整合语义边缘特征和概率不确定性建模实现

《Frontiers in Artificial Intelligence》：A novel diffuse liver nodule detector via integrating semantic edge features and probabilistic uncertainty modeling

　　**摘要**

**引言**：弥漫性肝纤维化结节的超声图像分割面临三个关键挑战：由于组织逐渐过渡导致的边界模糊、由纤维化变化引起的纹理异质性，以及不确定性量化不足，这表现为对纤维化结节的过度自信错误分类。

**方法**：为了解决这些挑战，本文提出了边缘语义概率狄利克雷网络（ESPD-Net），该网络将狄利克雷证据理论集成到弥漫性病变分割中以检测结节。ESPD-Net采用了三个协同组件：（1）语义概率双路径融合（SPDF）瓶颈构建了平行的语义和概率路径，以捕获局部形态和全局分布特征。（2）狄利克雷证据引导解码器（DEGD）将分割重新表述为证据理论下的二阶概率建模，通过输出校准的不确定性分布来指导自适应特征解码过程。（3）在这些高不确定性区域的引导下，狄利克雷边界感知细化（DBAR）模块执行有针对性的几何校正，以精确对齐模糊的病变边界。

**结果**：在鼠类和临床数据集上的评估表明，ESPD-Net显著优于现有技术。具体来说，其Dice值为0.855（+0.043），IoU值为0.747（+0.057）。此外，该模型有效减少了校准和边界错误，将ECE降低到3.85%，HD95降低到3.25%。

**讨论**：这些发现表明，提出的ESPD-Net有效地解决了弥漫性病变分割的挑战，从而客观证实了其在计算机辅助诊断中的临床潜力。

**1 引言**
肝纤维化是慢性肝病进展中的一个关键阶段，其特征是在持续的肝细胞损伤后细胞外基质蛋白过度积累（Zhang et al., 2025）。准确评估纤维化并早期识别潜在的发育不良结节是预防肝细胞癌发生和指导临床干预的关键（Kisseleva and Brenner, 2021）。尽管诊断模式和计算算法取得了显著进展，但实现弥漫性肝纤维化结节的准确分割仍然是一个重大挑战（Zhou et al., 2020）。与具有明显包膜的良性肿瘤不同，弥漫性纤维化结节在超声图像上表现出高度复杂的病理形态特征（Shuo et al., 2016）。首先，肝实质的结构重建导致广泛的再生结节（RNs）形成。这些结节是由肝细胞 compensatory 增殖以替代丢失的实质形成的，被胶原隔膜包围，宏观上呈现出“卵石状”的外观（Lyshchik et al., 2024）。尽管大多数此类结节是良性的，但一些再生结节通过慢性损伤-修复周期积累了基因突变，最终可能转变为发育不良结节（DNs）或早期肝细胞癌（HCC）（Tan et al., 2021）。由于DNs经常嵌入在形态上无法区分的RNs和不规则的纤维化背景中（Choi et al., 2021），主要的临床挑战是在严重的声学噪声中精确定位这些潜在的恶性目标。在计算层面，这种目标提取进一步受到病变的几何和声学复杂性的严重阻碍。因此，传统算法在处理此类数据时常常出现过度分割或分割不足的问题（Senthilkumaran and Vaithegi, 2016; Zhou et al., 2016; Chen and Pan, 2018; Liu et al., 2017）。从几何上讲，缺乏清晰的声学界面导致逐渐的梯度过渡，使得传统的边缘检测运算符和基于形状的先验模型效果不佳（Wu S. et al., 2024）。从声学上讲，显著的纹理异质性和与背景组织的灰度重叠破坏了传统的基于区域的算法（Wang et al., 2016; Zhou et al., 2025; Mishra et al., 2018）。虽然U-Net及其变体在医学图像分析中取得了显著的成功，但对具有清晰边界的病变实现了准确的分割，但它们在弥漫性结节的模糊界面容易产生过度自信和过拟合的预测（Liu et al., 2020）。根本的限制是传统网络输出的 是确定性概率作为点估计，无法量化这些预测的潜在可靠性，导致网络过度拟合到局部声学噪声，影响其泛化能力。因此，有效量化预测不确定性并利用它来指导几何边界细化为弥漫性病变的准确分割提供了新的途径（Lyshchik et al., 2024; Huang et al., 2024）。

**2 相关工作**
2.1 深度学习分割架构的发展**
深度卷积神经网络的出现从根本上改变了医学图像分割的范式。全卷积网络（Long et al., 2015）的出现首次实现了端到端的像素级分类。在此基础上，U-Net架构以其对称的编码器-解码器结构和跳跃连接（Ronneberger et al., 2015）为该领域确立了基础范式。然而，由于纯卷积操作固有的局部感受野限制，这些早期方法经常遭受细粒度特征丢失的问题（Liu et al., 2019）。在处理微小病变或复杂结构时，它们难以区分病变组织和正常组织之间的细微灰度差异（Ma et al., 2016; Zheng et al., 2023）。为了克服这些局部限制，研究重点转向了能够捕获更广泛上下文信息的架构。像DSRU-Net（Zhou et al., 2019）这样的方法结合了密集和残差连接来扩大感受野。随后，受到Vision Transformers成功的启发，像TransUNet（Chen et al., 2021）这样的模型整合了自注意力机制来明确建模全局依赖性。为了进一步降低纯Transformers在高分辨率医学图像上的计算复杂性，引入了高效的替代方案，如基于MLP的UNeXt（Valanarasu and Patel, 2022）。在这些进展的基础上，混合双路径架构成为主导趋势。如Dense-PSP-UNet（Ansari et al., 2023）和双路径RNN框架（Song et al., 2023）等模型成功地将CNN的局部精确特征提取与高级注意力机制的全局感知结合起来。虽然这些架构创新增强了特征表示能力，但在弥漫性病变的边界定位和预测可靠性量化方面仍存在局限性。大多数现有的融合和跳跃连接策略依赖于简单的连接或未经校准的加权求和。它们未能利用不确定性信息动态调整特征传播权重，导致不可靠特征的不加选择地传播，并在边界模糊的区域累积错误。

2.2 关注机制和边界语义**
除了架构框架外，注意力机制的集成显著提升了分割网络选择性地建模关键特征的能力。Roy et al.（2018）提出了同时建模通道级和空间依赖性的空间和通道挤压模块。Oktay et al.（2018）引入了注意力U-Net，利用注意力门机制来过滤编码器特征并抑制来自无关区域的干扰；这种选择性传播在器官分割中表现出显著的优越性。Mishra et al.（2018）提出了一个深度监督的边界注意力网络，专门用于明确建模边缘区域。Wang et al.（2022）开发了一个边界感知上下文神经网络，通过多任务学习共同优化分割和边界检测。此外，Wu J. et al.（2024）设计了BACA-Net，利用边界注意力模块增强边缘特征并改进了肝脏轮廓的定位。最近，Qin et al.（2025）提出了MBE-UNet，通过多分支增强策略改进了边界质量。尽管这些方法在边界定位方面取得了进展，但它们仅在确定性预测框架内运行。通过将边界检测视为固定的分类或回归问题，它们根本无法区分真正的结构边缘和高认知不确定性的区域。在弥漫性肝纤维化结节中，逐渐的组织过渡使得边界本质上模糊不清。因此，这些确定性边界增强方法的过度自信迫使模型拟合局部声学噪声，可能导致临床误诊（Zhou and Chen, 2024）。

2.3 不确定性量化方法**
在传统的医学图像分割中，尽管贝叶斯神经网络、Monte Carlo Dropout算法（Akram et al., 2025）和深度集成通常通过采样确定性输出来估计不确定性，但由于它们依赖于多次前向传递或独立模型训练，因此引入了过多的计算开销并损坏了特征信息。为了解决这些计算瓶颈，引入了证据深度学习（EDL）（He et al., 2025），在单次前向传递中建模二阶不确定性。通过在类别概率上放置狄利克雷分布，EDL将分类重新表述为证据积累过程。总不确定性正式定义为U=K/∑Kk=1αk，其中α表示证据强度。然而，现有的证据分割基线主要将EDL用作预测后的校准辅助损失函数。在这些框架中，不确定性估计过程与网络的内部特征表示功能上分离。与之前仅将不确定性视为终端输出或损失惩罚的研究不同，ESPD-Net将证据理论直接内置于架构设计中。它不是依赖于事后校准，而是将理论不确定性分布转化为中间特征指导，并通过将不确定性调制嵌入解码和细化阶段来实现检测分割。

**3 材料和方法**
本文提出了一个基于狄利克雷证据理论的不确定性感知框架，用于肝纤维化结节的超声分割。通过将边缘语义特征与概率密度建模相结合，该方法提高了在高模糊病变边界处的定位准确性，并有效适应了纤维化病变的弥漫分布特性，从而提供了有价值的分割结果以辅助临床诊断。

**3.1 数据集和伦理批准**
为了评估提出的ESPD-Net，我们使用了两个完全独立的超声数据集：一个临床肝纤维化数据集和一个鼠类肝纤维化数据集。每个数据集分别按照个体患者或鼠类的比例划分为训练集、验证集和测试集，比例为7:1:2。鼠类数据集涵盖了肝纤维化的完整病理周期，是基本特征学习和内部验证的主要基准。临床数据集提供了评估架构临床稳健性和稳定性的更具挑战性的基准。
**历史鼠类肝纤维化超声数据集**：该数据集包括344组由上海长征医院提供的药物诱导的肝纤维化鼠模型的超声图像和相应的结节掩码。这些图像涵盖了从早期纤维化到晚期肝硬化的完整病理周期，构成了历史档案数据。这项研究严格是对现有图像的回顾性算法分析；没有进行新的体内动物实验，原始数据采集遵循了标准的动物护理指南。
**临床超声验证数据集**：该数据集包括来自上海长征医院的67个临床超声样本，并附有明确的临床病理结果。这项回顾性研究严格遵守了赫尔辛基宣言，并得到了上海长征医院生物医学研究伦理委员会的正式批准（批准编号2017SL013）。由于研究使用的是严格去标识和匿名化的图像，伦理委员会放弃了患者知情同意的要求。为了确保真实值的临床可靠性，两个数据集都使用了多专家共识协议进行注释。最初，两位经验丰富的超声医师独立勾画了像素级轮廓。任何重大差异随后由一位资深副主任医师通过共同审查超声特征和病理记录来解决。这种共识机制保证了我们评估基准的客观性。3.2 ESPD-Net框架架构为了展示整个检测器的可转移性和实用性，本文选择DSRU-Net作为结节检测的基线模型，并通过整合创新特性构建了ESPD-Net架构。其可视化和整体架构如图1所示。图1 ESPD-Net框架架构。数据增强过程使用Albumentations库（Buslaev等人，2020年）实现。它通过对配对的超声图像和分割标签进行同步的几何变换和像素增强，有效缓解了模型在小型医学数据集上的过拟合问题。随后，我们通过一个混合注意力编码器实现了分阶段的降采样，从Stage0到Stage3，旨在稳健地提取多尺度特征。编码器包括四个阶段：Stage0和Stage1结合了轻量级的Squeeze-and-Excitation（SE）块来进行通道重新校准，特别针对低级纹理和边缘特征。同时，Stage2和Stage3整合了卷积块注意力模块（CBAM）来模拟通道和空间的依赖性。与在所有阶段都使用CBAM的架构（Roy等人，2018年）相比，这种混合策略显著降低了计算开销。它策略性地增强了语义特征的获取，同时保持了下游处理所必需的表示能力。特征提取后，特征图并行输入到相应的SPDF瓶颈层，在那里通过概率密度引导的注意力机制实现自适应融合。融合的特征随后由DEGD解码器处理，该解码器采用多尺度证据金字塔生成狄利克雷浓度参数和不确定性图。在上采样阶段，这种不确定性信息对跳跃连接特征进行证据调制。这种机制有效地抑制了不可靠的特征，同时增强了有强大证据支持的区域，从而实现自适应解码。最后，粗略的分割输出和不确定性图被转发到DBAR边界细化模块。通过利用不确定性图作为迭代细化的空间权重因子，该模块成功实现了结节边缘语义和不确定性概率特征的联合建模。这一架构的全面实现细节和数学原理在3.3–3.5节中详细阐述。3.3 语义-概率双路径融合（SPDF）瓶颈弥漫性肝纤维化结节的复杂性体现在两个层面：结节内纤维组织的异质分布导致了多样的回声强度变化，而结节边缘与正常肝实质之间的逐渐过渡使得边界定位极具挑战性。更重要的是，在临床实践中，纤维化结节与周围正常实质之间存在显著的灰度重叠。这需要一种既能准确识别病变的语义特征，又能量化边界不确定性的分割模型，而无需预先假设特征空间的清晰分离。传统的自适应空间特征融合（ASFF）依赖于简单的加权求和，尽管其在局部特征提取方面有效，但缺乏全局不确定性建模的能力，并且特别容易受到灰度重叠的干扰。相反，如果在整个过程中都使用Transformer架构，计算复杂度将增加到O(N2)，在高分辨率输入下变得不可行。为了解决这些限制，我们提出了SPDF模块，该模块通过分辨率自适应的双路径架构实现了语义理解和概率建模的深度整合，如图2所示。图2 语义-概率双路径融合瓶颈。3.3.1 特征提取路径SPDF的语义特征提取路径采用可变形卷积来处理高分辨率特征图。它可以自适应地调整其感受野的形状，克服了传统规则卷积内核的局限性。这使得能够精确捕捉肝纤维化结节中的不规则形态，如网状或索状纤维隔膜。概率路径采用了一种专为低分辨率特征图设计的基于窗口的自注意力机制。在这一阶段应用Transformer的理由有两个：首先，减少的空间维度使得自注意力的计算成本变得可控；其次，低分辨率特征编码了更适合全局上下文建模的丰富语义抽象。通过在局部窗口内计算自注意力，这种方法有效地捕获了长距离依赖性，同时将计算复杂度从O(N2)降低到O(N × W2)，其中N表示空间令牌的总数，W代表窗口大小。3.3.2 融合机制SPDF的核心创新在于利用概率路径生成的概率密度分布来指导语义特征的自适应增强。具体来说，概率密度来自Transformer输出特征的方差，反映了模型在不同空间位置的确定程度。基于这种密度，生成一个概率注意力图来调节语义特征：Fguided=Fsem?(1+α?σ(Aprob))其中Aprob表示概率注意力图，α是一个可学习的调制参数，σ(·)表示Sigmoid激活函数。如方程1所表述的，这种机制选择性地增强了结节中心处的语义特征响应——模型在这些位置表现出高度确定性——同时在模糊边界处保持原始表示，从而防止了过度增强引起的伪影。从临床角度来看，这种设计对应于自适应图像质量处理：在具有清晰声学界面的区域充分利用语义线索，而在受声学阴影影响的区域保持谨慎。最后，通过前馈网络（FFN）和残差连接实现整合，如方程2所表述：sfinali=FFN(Concat[ssemi,sprobi])+sresidual如果最终=FFN(Concat[sisem,siprob])+siresidual(2) FFN使得语义特征和概率特征之间的复杂非线性交互得以学习，而残差连接确保了原始信息的保留。通过这种概率引导的融合动态重新校准特征权重，SPDF有效地减轻了显著灰度重叠引起的干扰，降低了传统方法对严格特征可分离性的依赖。这种融合策略使SPDF能够同时捕捉纤维化病变的局部纹理模式和全局分布特征，实现了从微妙纹理变化到明显结节形成的连续谱建模。详细可视化见图3。图3 DEGD和DBAR的不确定性建模和边界质量可视化。(A) 起源，(B) 标签，(C) 不确定性图 S0→s3，(D) 预测熵，(E) DBAR比较，以及(F) ESPD-Net（完整）。3.4 狄利克雷证据引导解码器（DEGD）在分割弥漫性肝纤维化结节时的根本挑战在于它们边界的固有不确定性。传统的分割网络通过Softmax输出产生确定性概率估计。与其将不确定性视为事后诊断指标，所提出的DEGD解码器将证据理论（He等人，2025年）主动内化到网络架构中。它将不确定性从被动输出转变为中间特征重建的显式引导信号。3.4.1 通过狄利克雷分布进行二阶概率建模DEGD采用主观逻辑和Dempster-Shafer证据理论，在贝叶斯框架内引入狄利克雷分布作为共轭先验。对于二分类分割，每个像素的类别概率p = [p0, p1]不再是确定性值，而是一个遵循狄利克雷分布Dir(p|α)的随机变量，其中浓度参数α = [α0, α1]可以解释为累积证据强度。关键不确定性指标如方程3所定义：U=KS, S=K∑k=1αkU=KS, S=∑k=1Kαk(3)其中K表示类别数量，S表示总证据强度。这种表述提供了直观的物理解释：高证据区域（S ? K）：在结节核心的均匀低回声区等区域，多源证据一致支持前景分类。因此，U → 0，表示模型置信度高；低证据区域（S → K）：在渐进过渡边界等区域，纤维组织的浸润导致证据冲突。因此，U → 1，表示模型不确定性高。类别概率的预期估计由pk = αk/S给出。这种理论框架的一个优势是它明确区分了产生相同概率的情景：当两个像素都显示p ≈ 0.5时，高证据像素（大S）代表“明确的边界”，而低证据像素（小S）表示“模糊区域”。这种区分通过U明确量化，为后续的自适应处理提供了基础。3.4.2 证据引导的融合和注意力生成如图4所示，DEGD实现了多源提取、融合和自适应解码的证据。该机制将狄利克雷证据理论整合到注意力模块中，利用量化的证据信心直接指导特征选择。一个双分支架构并行操作以提取多尺度空间证据和全局语义证据，然后通过自适应融合生成掩码证据。这一过程产生三个关键输出：预测掩码提供初步的分割结果；狄利克雷证据概率图量化类别分布的不确定性；不确定性图直接反映了每个像素的预测可靠性。图4 狄利克雷证据引导解码器。通过并行特征对齐，不确定性信息转换为信心图，作为后续注意力引导的空间权重分布。然后，这些信心信息通过证据KV路径编码成键值对，并与从预测掩码派生的查询向量一起输入到门控残差注意力MLP中。如方程4所表述：Aguided=MLP(Qpred⊕Kconf⊕Vevidence)其中Qpred编码需要细化的区域，Kconf表示可信的特征位置，Vevidence提供特征重要性权重。这种设计使网络能够选择性地关注高置信区域内的强证据特征，同时抑制低置信区域中的噪声干扰。底部路径通过集成SPDF的语义引导（S3）、狄利克雷证据概率掩码（S2）和来自边界增强模块的边缘特征来实现证据驱动的渐进细化，如方程5所表述。狄利克雷注意力生成模块采用交叉注意力机制来融合这些互补的信息线索：ADir=CrossAttn(S2,S3,Eboundary)3.4.3 证据调节的跳跃连接在标准U-Net架构中，跳跃连接直接将编码器特征与解码器表示连接起来。虽然保留了空间细节，但这种操作有可能将无关的背景噪声和成像伪影传播到解码路径中。为了减轻这一点，我们使用派生的狄利克雷证据注意力图ADir来在特征融合之前明确调节跳跃连接。设Finput表示从相应编码器阶段提取的空间特征。调制后的特征Fcorrected表示为方程6：Fcorrected=Finput⊙(1+α?ADir)其中⊙表示逐元素乘法，α是一个可学习的缩放参数。这种基于残差的软增强在早期训练阶段防止了梯度不稳定，同时使证据注意力图能够动态重新校准空间特征响应。调节后，Fcorrected通过1 × 1卷积进行处理以减少通道数量，然后传递到后续解码块。重要的是，因为ADir本质上是由狄利克雷浓度参数（代表累积证据）驱动的，这种操作在数学上将网络的认知不确定性与其特征重建过程结合起来。通过这种机制，网络将量化的证据强度转换为空间调制权重，明确抑制了低证据区域的表示，同时保留了可靠的语义特征。这种结构设计的核心贡献是将不确定性从被动诊断指标转变为主动控制机制。这使得模型能够根据其内部认知状态动态调整其特征传播策略，实现了真正的自适应解码，并将ESPD-Net与传统的事后不确定性方法区分开来。3.5 狄利克雷边界感知细化（DBAR）在弥漫性肝纤维化的超声成像中，由于病变边界连续的病理谱延伸到周围实质中，加上声学阴影和衰减伪影的影响，病变边界本质上是模糊的。传统的分割网络在这些过渡区域通常产生过于平滑或几何不一致的预测。为了解决这一限制，我们提出了DBAR模块，如图5所示。该模块通过明确整合原始图像先验、深层语义特征和量化的狄利克雷不确定性，实现了精确的几何边界校正。图5 狄利克雷边界感知细化。在物理路径中，DBAR模块对原始超声图像应用Sobel算子来捕捉突然的声学阻抗变化。同时，在高级特征上使用可学习的边缘卷积网络提取语义边界。通过自适应融合这些表示，网络输出一个综合的边缘特征图EBoundary，确保在不同成像条件下都能可靠地检测边缘。3.5.1 不确定性引导的选择性细化DBAR不是随意应用全局细化，而是利用网络认知不确定性严格控制的选择性细化机制。边界注意力图Aboundary是通过聚合三个不同的输入来计算的：预测不确定性（U）：由之前的DEGD模块生成的明确不确定性图。高值本质上定位了被声学阴影或运动伪影损坏的区域。概率模糊性：来自粗略预测掩码Mcoarse，针对预测概率接近0.5的像素来确定决策边界。边缘显著性（Eboundary）：融合的双路径边缘特征，量化边界的结构可能性。这些组件被串联并通过级联卷积层处理以生成Aboundary。该操作直接使用狄利克雷不确定性图作为空间权重因子。它引导细化网络将其校正能力专门集中在高度不确定的区域和结构边缘上，同时保留高置信度区域的特征。最终的像素级校正通过残差学习公式执行，如方程7所示：Mrefined = Mcoarse + Aboundary ⊙ ΔM（7），其中ΔM表示由细化卷积预测的残差校正图，⊙表示逐元素乘法。在这种公式中，注意力图Aboundary充当空间门控。对于置信度高的区域，当注意力得分接近零（Aboundary → 0）时，残差项被门控掉，从而安全地保留了初始预测（Mrefined ≈ Mcoarse）。相反，在高度不确定的边界区域，Aboundary激活残差校正ΔM。如图5中的“修复区域”所示，这种门控残差机制解决了两种特定的错误类型：（1）假阴性区域（例如，具有强烈物理边界但Mcoarse较低的遗漏病变边缘）通过ΔM中生成的正值残差得到纠正；（2）假阳性区域（例如，具有高不确定性但缺乏结构边缘支持的声学阴影）通过ΔM中的负值残差惩罚得到抑制。这种数学公式确保最终分割严格受到结构先验和模型认识不确定性的调节。

3.6 损失函数设计
3.6.1 肝脏损失
主要任务损失LliverLliver是根据肝脏纤维化结节分割的特定特征量身定制的，通过整合三个互补项来实现。如方程8所示：Lliver = αLDice + βLFocal + γLB（8），其中α、β和γ是经验性平衡权重。Dice损失（LDice）确保全局结构一致性，并解决该任务固有的严重类别不平衡问题，即纤维化结节通常仅占解剖场体的3%–8%。Focal损失（LFocal）降低易于分类的背景像素的权重，迫使网络关注边界过渡区域。最后，Boundary损失（LBL）通过将边界分割形式化为距离回归任务来显式优化轮廓精度，从而对形态保真度施加严格的空间约束。
3.6.2 Dirichlet证据损失
证据损失LEDL基于主观逻辑，并通过评估预测的Dirichlet分布的预期交叉熵风险来优化证据生成。如方程9所示：LEDL = K∑k=1yk[ψ(K∑j=1αj)?ψ(αk)]（9），其中ψ(·)表示digamma函数，yk是类k的一热编码真实标签，αk是预测的Dirichlet浓度参数。LEDL的梯度机制作为一种明确的证据调节器，它鼓励为正确的真实类别积累证据，同时隐式惩罚为错误类别生成误导性证据。这种结构化公式有效地驱动模型量化其认识状态，在模糊区域主动表达高不确定性，而不是产生过度自信的错误预测。

4 结果
4.1 模型和实验实现细节
在这项研究中，提出的ESPD-Net和所有基线模型都是在PyTorch中实现的，并在单个NVIDIA GeForce RTX 4090 GPU上进行了训练，启用了AMP以加速训练。在预处理过程中，使用Albumentations库将超声图像调整为320 × 320像素的单通道灰度输入。为了优化，本文使用了AdamW优化器，初始学习率为1 × 10^-4，权重衰减为1 × 10^-5，批量大小为4。训练周期的最大数量设定为256。为了动态调整学习率，采用了ReduceLROnPlateau调度器（耐心值=5，衰减因子=0.5），同时采用了提前停止机制（耐心值=20）以防止过拟合。最后，在所有模型训练中均匀应用了方法部分定义的复合损失函数。为了确保实验结果的可靠性并消除偶然方差，所有比较和消融实验都使用不同的随机种子独立重复了五次。为了验证ESPD-Net所取得的性能改进在统计上是否显著，我们对测试集进行了1,000次重采样的配对排列测试，将我们的模型与表现最佳的基线（BACA-Net）进行比较。这种非参数方法不依赖于数据分布假设，因此评估非常严格。在所有定量结果表中，星号（*）明确表示统计上显著的性能提升（p < 0.05）。

4.2 定量评估
4.2.1 与最先进方法的比较
表1总结了所有模型在鼠标和临床数据集上的领域内定量评估。由于现实世界临床超声的复杂性、声学伪影和病理异质性，所有比较方法在临床数据集上的性能都普遍下降。尽管如此，ESPD-Net在所有指标上始终表现出最高的性能。在更具挑战性的临床数据集上，我们的方法显著优于最先进的方法（p < 0.05）。
表1 模型 数据集 损失 精确度 敏感性 IoU
DICE Val-dice Boundary-F1 HD95 ASSD
(↓) (↑) (↑) (↑) (↑) (↑) (↑) (↑) (↓) (↓)
DSRU-Net（基线） 鼠标 0.282 ± 0.015 0.704 ± 0.018 0.627 ± 0.016 0.455 ± 0.015 0.612 ± 0.017 0.623 ± 0.019 0.589 ± 0.019 16.04 ± 2.15 5.47 ± 0.25
临床 0.316 ± 0.018 0.685 ± 0.024 0.595 ± 0.019 0.438 ± 0.018 0.574 ± 0.020 0.587 ± 0.023 0.542 ± 0.022 16.92 ± 2.35 5.72 ± 0.32
Dense-PSP U-Net 鼠标 0.320 ± 0.012 0.785 ± 0.014 0.715 ± 0.015 0.612 ± 0.012 0.723 ± 0.013 0.705 ± 0.014 0.672 ± 0.017 10.11 ± 1.65 4.15 ± 0.35
临床 0.349 ± 0.015 0.735 ± 0.016 0.685 ± 0.018 0.599 ± 0.015 0.697 ± 0.016 0.715 ± 0.017 0.625 ± 0.021 11.43 ± 2.32 4.48 ± 0.42
Multi-decoder U-Net 鼠标 0.260 ± 0.010 0.790 ± 0.011 0.774 ± 0.011 0.660 ± 0.010 0.750 ± 0.011 0.732 ± 0.012 0.728 ± 0.013 8.74 ± 0.80 3.78 ± 0.15
临床 0.280 ± 0.012 0.727 ± 0.013 0.753 ± 0.013 0.612 ± 0.012 0.709 ± 0.013 0.682 ± 0.014 0.684 ± 0.015 9.46 ± 0.94 3.95 ± 0.20
BACA-Net 鼠标 0.207 ± 0.008 0.820 ± 0.008 0.813 ± 0.011 0.690 ± 0.008 0.812 ± 0.009 0.834 ± 0.009 0.772 ± 0.010 5.90 ± 0.45 3.27 ± 0.08
临床 0.246 ± 0.010 0.765 ± 0.010 0.745 ± 0.014 0.649 ± 0.010 0.747 ± 0.012 0.765 ± 0.012 0.735 ± 0.013 7.42 ± 0.51 3.74 ± 0.12
ESPD-Net（我们的） 鼠标 0.190 ± 0.006 0.912 ± 0.005 0.835 ± 0.006 0.747 ± 0.007 0.855* ± 0.005 0.874 ± 0.006 0.812* ± 0.009 3.25* ± 0.28 2.17* ± 0.04
临床 0.225 ± 0.008 0.873 ± 0.007 0.822 ± 0.009 0.734 ± 0.009 0.846* ± 0.011 0.866 ± 0.010 0.798* ± 0.012 3.86* ± 0.51 2.61* ± 0.06
提出的ESPD-Net与基线模型在鼠标和临床数据集上的定量比较。（*）表示统计上显著的改进（p < 0.05，通过1,000次重采样的配对排列测试与BACA-Net进行比较）。粗体值表示最佳性能。

4.2.2 特征表示和区域精度
表1展示了ESPD-Net在区域级指标上的定量优越性，在鼠标数据集上实现了最高的IoU（0.747）和DICE（0.855）。这一显著优于空间金字塔基线（IoU：0.612）的收益主要归因于所提出的SPDF模块。与传统的金字塔池化不同，SPDF通过空间概率密度动态调整特征权重，有效防止了在异质扩散结节纹理中的噪声整合。此外，ESPD-Net实现了0.912的显著精确度，显著优于Multi-Decoder U-Net（0.790）。这种大幅减少假阳性的效果得益于DEGD模块，该模块利用Dirichlet证据不确定性系统地抑制了不可靠的特征传播。

4.2.3 边界划分和错误减少
DBAR模块的有效性在空间距离指标上最为明显。由于HD95对远距离空间异常值非常敏感，其在数据上的显著减少（从鼠数据的5.90降至3.25，临床数据的7.42降至3.86）定量证明了DBAR能够修剪严重的局部假阳性。虽然BACA-Net依赖于固定的边缘模式（导致HD95为5.90），但ESPD-Net利用量化的Dirichlet不确定性作为明确的空间先验来动态门控细化权重。这种机制有效抑制了远距离的声学伪影，同时保留了真实的病变边缘，从而实现了峰值Boundary-F1分数（0.812和0.798）和严格的几何对齐。

4.2.4 临床鲁棒性和架构稳定性
在鼠标和临床数据集上独立评估模型，严格测试了其架构稳定性。虽然传统基线在应用于具有挑战性的临床基准时性能明显下降，但ESPD-Net保持了0.846的高DICE分数。这种一致的多数据集性能从数学上验证了DEGD的效果。通过防止网络过度自信地过拟合于数据集特定的成像伪影，ESPD-Net实现了临床适用性和在不同超声分布下的稳定特征提取能力。

4.3 定性视觉分析
图6展示了四种代表性场景下的分割结果对比可视化，其中绿色表示真实值（Mask），红色表示模型预测。这些场景测试了模型在保持细长形态、小目标召回率、拓扑分离和边界精度方面的能力。如图6所示：
（A）起源，（B）掩膜，（C）Dense-PSP-UNet，（D）Multi-Decoder U-Net，（E）BACA-Net，（F）ESPD-Net（我们的）。

4.3.1 绳状结节
如图6的第一行所示，图像显示了绳状肝脏纤维化结节。在这种情况下，基线方法在检测小目标时存在显著的遗漏和虚假阳性。Dense-PSP U-Net（C列）未能捕获几个碎片，并表现出较差的定位能力。BACA-Net（E列）遗漏了最右边的碎片，并在背景上引入了明显的假阳性噪声。相比之下，ESPD-Net实现了与Mask的优越形态匹配，保留了这些细长碎片的关键特征。这归功于SPDF前端：即使结节密度整体较低，与背景的高对比度触发了自适应注意力增强，保留了标准下采样过程中丢失的关键细节。

4.3.2 小颗粒扩散结节
如图6的第二行所示，广泛分散的低对比度小颗粒结节严格测试了模型的全局感知能力。Multi-Decoder U-Net检测到了一些目标，但被锯齿状的假阳性噪声严重干扰。BACA-Net检测到了缺失的目标，但由于其尺寸小且远离病变集中区域，因此有一个结节未被检测到。ESPD-Net捕获了更全面的细粒度结节。这一成功展示了SPDF的Transformer路径在捕获全局特征方面的有效性，使检测到的结节能够在结构上放大其他远距离潜在目标区域的功能响应。这种视觉召回率是ESPD-Net的出色灵敏度（0.835）和精确度（0.912）的物理基础。

4.3.3 大规模密集分布结节
如图6的第三行所示，图像显示了大规模密集分布的结节。这挑战了拓扑保留的能力。由于结节间的间距很小，DSRU-Net和Dense-PSP表现出严重的粘附伪影。Multi-Decoder通过集成平均部分缓解了这一问题，但仍然保留了显著的错误融合，而BACA-Net仅通过通道注意力提供了有限的改进。ESPD-Net保持了严格的拓扑一致性，即使在空间上相邻的情况下也能准确分离独立的结节。这一成功直接归功于DEGD模块：通过利用量化的Dirichlet不确定性来抑制结节间狭窄、模糊的过渡间隙内的特征传播，网络成功强制实现了拓扑分离。这种精确的边界定义是表1中ASSD和HD95（从5.90降至3.25）显著减少的关键原因。

4.3.4 椭圆低对比度结节
图6的第四行展示了与背景对比度低的椭圆形结节。它测试了边界精度的极限。在极低对比度的梯度边界上，基线方法表现出8-12像素的显著偏差。Multi-Decoder的方差估计产生了锯齿状的边界伪影，而BACA-Net的边界检测检测到了多个非结节噪声。ESPD-Net通过DBAR的样本自适应机制将边界误差限制在4像素以内。通过基于特定实例的证据分布进行优化，而不是依赖于 memorized 的训练模式，模型展示了对未见边界形态的固有鲁棒性。

4.4 消融实验
4.4.1 消融研究设置和模块依赖性
本节中的所有消融实验都在鼠标数据集上进行，因为它具有更大的样本量，确保了稳健的统计验证。消融研究系统地隔离并评估了每个模块的贡献和协同效应，证明了ESPD-Net不仅仅是一组独立组件的简单连接，而是一个由内在逻辑依赖性驱动的耦合架构。从架构上看，SPDF模块提取了DEGD证据推理所需的基础表示，使得单独评估DEGD在结构上无效。DBAR模块作为一个独立的下游边界细化器发挥作用。受这些依赖性的驱动，本文采用了六种变体的逐步消融策略。为了严格评估不确定性引导的机制，我们扩展了标准评估框架，包括ECE和UEC。这些特定指标被引入以定量验证我们的模块对校准可靠性和边界保留的协同影响。
基线：作为基本性能评估基准，该基线由一个稳定的传统编码器-解码器和Softmax概率组成。它揭示了标准网络在处理边界模糊性和过度自信误分类方面的固有限制。
基线 + SPDF（建立特征基础）：旨在验证SPDF模块在特征提取方面的有效性。通过替换标准瓶颈层，它丰富了全局和局部表示，为后续模块提供了层次化特征前提。
基线 + DBAR（边界机制）：研究了边界模块的独立校正能力。在去除了双路径增强和证据建模之后，这种配置直接使用DBAR对原始的、存在缺陷的基线预测进行空间几何校正，突显了其对边界度量的贡献。基线 + SPDF + DEGD（引入证据不确定性）：展示了基于狄利克雷理论的概率引导解码器所实现的区域性提升。在SPDF的双路径特征基础上，该变体采用了基于证据的信心学习方法，利用不确定性分布来指导模型自适应地聚焦于高频信息区域，从而校准预期校准误差（ECE）。基线 + SPDF + DBAR（在增强特征下的边界细化）：验证了在增强特征环境中的边界校正能力。在SPDF提供的更丰富的双路径特征的指导下，瓶颈层输出的初始概率分布直接驱动DBAR模块对复杂病变的边缘进行二次几何对齐和细节细化。ESPD-Net（完整框架）：实现了完全的网络架构（基线 + SPDF + DEGD + DBAR）。SPDF建立了丰富的特征库，DEGD输出高置信度的区域级概率指导，DBAR接收这些双重优化的特征以执行最终的边界细化。这三个模块在区域和边界度量上都实现了性能优化。

4.4.2 消融结果分析
小鼠数据集的分步消融研究的定量结果详细列在表2中。这项分析不仅仅是列出性能提升，还关注将特定度量的经验变化与其潜在的架构机制对齐。
SPDF对特征表示的影响：在标准基线中，连续的下采样不可避免地导致关键高频细节的丢失，精度为0.704。SPDF模块的集成通过建立概率密度引导的特征交互来解决这个问题。这种稳健的全局建模有效地抑制了由特征不确定性引起的误报，直接体现在精度的提升到0.812和IOU提升到0.564。这验证了SPDF成功构建了一个可靠的特征库，用于后续的解码。
DBAR在边界约束上的独立有效性：观察基线 + DBAR配置可以深入了解该模块的具体物理作用。虽然这一变体仅在区域度量上有所提升，但它减少了空间距离误差：HD95从16.04降至11.85，ASSD从5.47降至4.12。这种几何改进证实了DBAR与体素级分类在逻辑上是正交的；它不会盲目扩大预测区域，而是积极纠正结构上的断连并修剪远处的空间异常值。
DEGD和证据稳定性：通过比较+SPDF + DBAR和+SPDF + DEGD变体，验证了从确定性预测到证据不确定性建模的转变。DEGD模块利用狄利克雷参数化来明确过滤低证据区域中的不可靠信号。因此，DICE得分达到0.841，敏感性达到0.807。更重要的是，DEGD在多个指标的标准差上引发了系统性收缩，例如DICE的标准差降至0.008，损失的标准差降至0.008。这种方差减少客观证明了证据推理有效地分离了偶然噪声，使模型对异构临床特征具有出色的收敛稳定性。
ESPD-Net（完整）：完整ESPD-Net的定量结果展示了三个提议模块之间的顺序架构依赖性。作为基础步骤，SPDF前端提取了稳健的密集特征表示，这是后续概率建模的先决条件。利用这些特征，DEGD量化认识不确定性以定位模糊组织，而DBAR随后将此特定映射作为空间门控进行有针对性的轮廓细化。最终的完整模型框架在消融实验中达到了最佳性能，DICE为0.855，准确率为0.912，HD95降至3.25。

表2 消融配置
损失 精度 敏感性 IOU DICE Boundary-F1 HD95 ASSD
(↓) (↑) (↑) (↑) (↑) (↑) (↑) (↓) (↓)
基线 0.282 ± 0.015 0.704 ± 0.018 0.627 ± 0.016 0.455 ± 0.015 0.612 ± 0.017 0.623 ± 0.019 0.589 ± 0.019 16.04 ± 2.15 5.47 ± 0.25
+ SPDF 0.299 ± 0.016 0.812 ± 0.015 0.700 ± 0.018 0.564 ± 0.014 0.713 ± 0.015 0.695 ± 0.016 0.611 ± 0.017 12.59 ± 1.85 4.65 ± 0.22
+ DBAR 0.312 ± 0.018 0.725 ± 0.017 0.615 ± 0.015 0.475 ± 0.016 0.634 ± 0.014 0.637 ± 0.015 0.627 ± 0.015 11.85 ± 1.15 4.12 ± 0.18
+ SPDF + DBAR 0.283 ± 0.012 0.765 ± 0.013 0.735 ± 0.014 0.601 ± 0.011 0.741 ± 0.012 0.744 ± 0.014 0.695 ± 0.013 8.15 ± 0.85 3.45 ± 0.12
+ SPDF + DEGD 0.219 ± 0.008 0.891 ± 0.008 0.807 ± 0.009 0.728 ± 0.007 0.841 ± 0.008 0.834 ± 0.010 0.757 ± 0.011 5.94 ± 0.65 3.23 ± 0.10
ESPD-Net（完整） 0.190 ± 0.004 0.912 ± 0.005 0.835 ± 0.006 0.747 ± 0.005 0.855 ± 0.005 0.874 ± 0.006 0.812 ± 0.006 3.25 ± 0.28 2.17 ± 0.04

对提出的ESPD-Net中不同组件的消融研究在小鼠数据集上进行。结果表示为五次独立运行的平均值 ± 标准差。粗体值表示最佳性能。

4.4.3 不确定性校准和边界细化的定量验证
为了深入分析模型概率输出的可靠性及其对边界细化的影响，我们评估了预期校准误差（ECE）和不确定性误差相关性（UEC），定量结果展示在表3中，相应的可视化机制展示在图3中（失败案例：第1、2行，有效案例：第3行）。
表3 模型配置
HD95 Boundary-F1 ASSD ECE UEC
(↓) (↑) (↓) (↓) (↑)
基线 + SPDF（Softmax） 12.59 0.61 14.65 11.40% 0.439
+ DEGD（Dirichlet） 5.94 0.75 73.23 5.12% 0.652
ESPD-Net（我们的） 3.25 0.81 2.17 3.85% 0.727

证据不确定性建模和边界细化对网络校准和分割精度的影响。粗体值表示最佳性能。
如表3所示，标准的基于Softmax的基线产生了较高的ECE（11.40%）和较低的UEC（0.439）。在传统的深度学习架构中，Softmax函数将原始网络logits转换为标准化概率分布。然而，由于其指数性质，Softmax倾向于不成比例地放大最大logit。这一固有特性经常迫使网络为即使是模糊的边界像素也生成高度自信的概率分数。因此，这种过度自信限制了模型可靠反映其真实预测不确定性的能力，直接导致了观察到的高校准误差。DEGD模块的集成通过基于累积证据强度（S=∑Kαk）参数化预测分布来缓解这个问题。在缺乏明确结构特征的病理过渡区，网络收集到的证据很少（S ≈ K），这转化为更高的认识不确定性，而不是强制性的确定性预测。这种基于证据的建模使输出置信度与实际分割精度更为一致，这在定量上表现为ECE降至5.12%和UEC升至0.652。
此外，DBAR模块利用这个校准后的不确定性图作为空间先验来指导轮廓细化。通过特别调整高不确定性边界区域的预测，DBAR不仅改善了空间几何度量（将HD95降至3.25，ASSD降至2.17），还提升了输出概率的最终可靠性。因此，完全配备的ESPD-Net实现了ECE为3.85%和UEC为0.727。这表明将认识不确定性明确纳入局部几何校正对网络的整体校准产生了积极影响。

可视化证据与熵的关系和机制分析：图3可视化了三种情况下的校准机制。第（C）列显示了狄利克雷证据（S0 → S3）的动态积累，捕捉了模型对纤维化目标的逐步定位。第（D）列由此得出预测熵。熵图不是产生模糊且无信息的梯度，而是在组织对比度特别低的模糊病变边界处显示出高度局部化的尖锐峰值。这证实了DEGD模块有效隔离了易出错的区域，为后续细化奠定了基础的空间先验。第（E）列通过叠加初始概率预测（红色）、最终DBAR细化后的预测（绿色）及其共识（黄色）来明确展示DBAR的有针对性的干预。通过将预测熵与这些几何校正相关联，该架构的具体行为和限制变得清晰：
有效的几何修剪（第3行，有效范围3–23）：预测熵有效隔离了分散的误报噪声。利用这些高不确定性信号，DBAR执行有针对性的修剪——表现为消除孤立的红色片段——使细化的轮廓与解剖学真实情况更加吻合。
在高不确定性区域（第1行和第2行）的几何调整：“过度切割”和“粘连”案例代表了具有挑战性的场景，其中间质组织模仿了结节特征。在这些过渡间隙中，由于结构证据不足，预测熵（D）表现出高激活。虽然DBAR成功过滤了远处的背景噪声，但局部不确定性导致了几何上的过度调整，导致相邻微结节的不必要的合并（第1行）或拓扑分离不完整（第2行）。
不确定性误差相关性（UEC）的验证：这些失败案例本质上验证了表3中报告的高UEC指标（0.727）。具体来说，第（D）列中的高预测熵区域与第（E）列中的实际几何错误之间的空间重叠表明网络有效地突出了模糊预测。这种一致性证实了狄利克雷量化的不确定性是定位潜在分割失败的可靠指标。

5 结论
本文介绍了ESPD-Net，一种专门为超声成像中弥漫性肝纤维化的稳健分割设计的不确定性感知架构。通过将狄利克雷证据理论整合到特征重建过程中，网络系统地量化和利用认识不确定性来解决由声学伪影和病理异质性引起的固有模糊性。SPDF前端用于多特征提取，DEGD模块用于不确定性驱动的解码，DBAR模块用于选择性边界细化。在独立的小鼠和临床数据集上的广泛评估确认了ESPD-Net的架构稳定性。通过惩罚在不熟悉特征空间中的过度自信预测，狄利克雷先验确保了性能的一致性，而不会过度拟合数据集特定的噪声模式。未来的工作将集中在在更大的多中心临床队列中验证这一证据框架，并将不确定性建模扩展到3D体积超声分析。