面向有限数据环境下放射治疗诱导正常组织损伤的基于 3D SAM 的渐进式提示框架
计算机视觉与模式识别
2026-04-16 v1 人工智能
摘要
放射治疗诱导的正常组织损伤是临床重要的并发症，准确地从医学影像中对损伤区域进行分割可促进疾病评估、治疗计划制定和纵向监测。然而，这些病灶的自动分割仍 largely 未被探索，因为受限于体素级标注和损伤类型、病灶大小及影像模态之间的显著异质性。为此，我们构建了一个专门的头颈部放射治疗诱导正常组织损伤数据集，覆盖三种表现形式：骨髓内窥术性坏死 (ORN)、脑出血 (CE) 和脑放射性坏死 (CRN)。我们进一步提出了一个用于有限数据环境下多任务分割的 3D SAM 渐进式提示框架。该框架逐步融合三种互补提示：文本提示用于任务感知适应、剂量引导的框提示用于粗定位、点击提示用于迭代细化。引入小目标焦点损失以提高小而稀疏病灶的局部预测和边界描绘。在 ORN、CE 和 CRN 上的实验表明，所提方法在不同损伤类型下实现可靠的分割性能，并优于当前最先进的方法。
引用
@article{arxiv.2604.13367,
title = {A 3D SAM-Based Progressive Prompting Framework for Multi-Task Segmentation of Radiotherapy-induced Normal Tissue Injuries in Limited-Data Settings},
author = {Caiwen Jiang and Lei Zeng and Wei Liu},
journal= {arXiv preprint arXiv:2604.13367},
year = {2026}
}