[论文解读] Explainable Continuous-Time Mask Refinement with Local Self-Similarity Priors for Medical Image Segmentation

Rajdeep Chatterjee, Sudip Chakrabarty+1 more|arXiv (Cornell University)|Feb 28, 2026

Cutaneous Melanoma Detection and Management被引用 0

一句话总结

本文提出 LSS-LTCNet，一种边界感知的足部溃疡分割模型，融合 Local Structural Similarity 先验与连续时间液态时常（LTC）细化循环，在边界精度方面达到最先进水平（HD95 8.91 px，Dice 86.96%），参数量为 25.70M。

ABSTRACT

Accurate semantic segmentation of foot ulcers is essential for automated wound monitoring, yet boundary delineation remains challenging due to tissue heterogeneity and poor contrast with surrounding skin. To overcome the limitations of standard intensity-based networks, we present LSS-LTCNet:an ante-hoc explainable framework synergizing deterministic structural priors with continuous-time neural dynamics. Our architecture departs from traditional black-box models by employing a Local Self-Similarity (LSS) mechanism that extracts dense, illumination-invariant texture descriptors to explicitly disentangle necrotic tissue from background artifacts. To enforce topological precision, we introduce a Liquid Time-Constant (LTC) refinement module that treats boundary evolution as an ODEgoverned dynamic system, iteratively refining masks over continuous time-steps. Comprehensive evaluation on the MICCAI FUSeg dataset demonstrates that LSS-LTCNet achieves state-of-the-art boundary alignment, securing a peak Dice score of 86.96% and an exceptional 95th percentile Hausdorff Distance (HD95) of 8.91 pixels. Requiring merely 25.70M parameters, the model significantly outperforms heavier U-Net and transformer baselines in efficiency. By providing inherent visual audit trails alongside high-fidelity predictions, LSS-LTCNet offers a robust and transparent solution for computer-aided diagnosis in mobile healthcare (mHealth) settings.

研究动机与目标

• 在可变照明和组织异质性下解决精确创面边界 delineation 的挑战。
• 将确定性的 Local Structural Similarity (LSS) 先验整合到早期编码器特征中，以锚定组织边界。
• 引入基于 Liquid Time-Constant (LTC) 的瓶颈连续时间微分方程细化循环，用于逐步更新掩码。
• 通过暴露基于 LSS 的组织先验作为可视化审计轨迹，提供固有的事前可解释性。

提出的方法

• 向编码器注入局部块相关统计的 Additive Local Structural Similarity (LSS) 融合。
• LSS 提取器对局部邻域进行块级余弦相似度计算，并构建映射到编码器的小型卷积的 LSS 映射。
• Liquid Time-Constant (LTC) 细化循环在瓶颈处求解一个连续时间 ODE，以迭代更新指导解码器的细化令牌。
• 边界对齐损失（BAL），在预测图的 Sobel 梯度与 LSS 派生的均值通道之间使用 MSE，强制边界拓扑的一致性。
• 通过辅助头进行深监督，稳定训练并促进多尺度学习。

实验结果

研究问题

• RQ1 确定性 LSS 先验是否能在足部溃疡分割中超越传统 CNN/ViT 基线，提升边界质量？
• RQ2 BAL 项是否可将 LSS 与 LTC 组件协同作用，从而实现更优的边界精度和 Dice 得分？
• RQ3 该框架是否通过可访问的 LSS 映射提供固有的可解释性，与组织形态相一致？

主要发现

• LSS-LTCNet 在 MICCAI FUSeg 验证集上实现 Dice 86.96% 与 IoU 79.54%。
• HD95 为 8.91 像素，相比下一优基线提升约 30%。
• 模型参数量为 25.70M，较 heavier 的 U-Net 和 Transformer 基线具有更高的效率。
• 消融实验显示仅加入 LSS 和 LTC 而不使用 BAL 会将 Dice 降至 76.18%，凸显 BAL 的关键作用。
• 固有可解释性来自确定性的 LSS 映射（Mean, Max, Boundary Std），引导分割过程。