高效生成数字乳腿 CT 密集组织ground truth掩码的工作流程
计算机视觉与模式识别
2026-04-15 v1
摘要
数字乳腿 CT (DBT) 已成为美国乳腿癌筛查的标准照护。准确分割乳腿纤维结组织对于个性化风险估计至关重要，但算法开发受限于稀缺的人工标注训练数据。在本研究中，我们引入一种节省时间和人力的框架，用于生成 DBT 中密集组织的二值分割掩码。该框架使用户能够在 DBT 体积的中心重构切片上勾勒大致的兴趣区域 (ROI) 以包围密集组织，并选择分割阈值以生成密集组织掩码。算法随后将 ROI 投影到剩余切片上，并迭代调整切片特定阈值，以在 DBT 体积中保持一致的密集组织描绘。通过仅在中心切片上进行标注，该框架显著减少了标注时间和人力。我们使用来自 DBTex 数据集的 44 个 DBT 体积进行评估。通过计算两个放射科学家之间生成的分割掩码之间的患者级别 Dice 相似系数来评估放射科学家间的一致性，结果显示中位数为 0.84。通过让放射科学家手动分割每个体积的第 20 百分位切片和第 80 百分位切片（CC 和 MLO 视图；共 176 个切片），计算手动分割与所提方法分割之间的 Dice 分数来评估方法的准确性，结果显示中位数为 0.83。
引用
@article{arxiv.2604.11927,
title = {A Workflow to Efficiently Generate Dense Tissue Ground Truth Masks for Digital Breast Tomosynthesis},
author = {Tamerlan Mustafaev and Oleg Kruglov and Margarita Zuley and Luana de Mero Omena and Guilherme Muniz de Oliveira and Vitor de Sousa Franca and Bruno Barufaldi and Robert Nishikawa and Juhun Lee},
journal= {arXiv preprint arXiv:2604.11927},
year = {2026}
}