基于持续学习的CT全身解剖学精准分割模型
图像与视频处理
2025-03-18 v1 计算机视觉与模式识别
摘要
如果能够对任何患者的CT扫描进行精确、详尽的分割、解析与分析，精准医学在慢性病和肿瘤管理方面将得到极大提升。然而，目前没有完全标注完所有解剖学的CT数据集用于训练，因为手动标注成本极高、需要专业临床知识且耗时。为此，我们提出了一种新型持续学习驱动的CT模型，能够从数十个部分标注数据集中动态扩展分割能力，同时不牺牲已学习的器官知识。现有多数据集方法无法在不遗忘的情况下动态分割新解剖学，且在分割数百种全身解剖学时会遇到优化困难或不可行性。我们的单一统一CT分割模型CL-Net可高度精准地分割临床完善的235种细粒度全身解剖学。该模型由通用编码器、多个优化化剪枝解码器组成，基于来自20个公共和16个私有高质量部分标注CT数据集训练，涵盖不同厂商、不同对比阶段及病理情况。广泛评估表明，CL-Net consistently优于36个专家nnUNets的集成方案，模型复杂度仅为5%，分割精度显著优于最新流行的Segment Anything风格医学图像基础模型。我们的持续学习驱动的CL-Net模型将为肿瘤和慢性病的众多下游任务奠定坚实基础。
引用
@article{arxiv.2503.12698,
title = {A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT},
author = {Dazhou Guo and Zhanghexuan Ji and Yanzhou Su and Dandan Zheng and Heng Guo and Puyang Wang and Ke Yan and Yirui Wang and Qinji Yu and Zi Li and Minfeng Xu and Jianfeng Zhang and Haoshen Li and Jia Ge and Tsung-Ying Ho and Bing-Shen Huang and Tashan Ai and Kuaile Zhao and Na Shen and Qifeng Wang and Yun Bian and Tingyu Wu and Peng Du and Hua Zhang and Feng-Ming Kong and Alan L. Yuille and Cher Heng Tan and Chunyan Miao and Perry J. Pickhardt and Senxiang Yan and Ronald M. Summers and Le Lu and Dakai Jin and Xianghua Ye},
journal= {arXiv preprint arXiv:2503.12698},
year = {2025}
}