AEPL：用于脑肿瘤分割的自动化可编辑提示学习
计算机视觉与模式识别
2024-10-29 v1 人工智能
机器学习
摘要
脑肿瘤分割对于准确的诊断和治疗规划至关重要，但肿瘤体积小且形状不规则带来了重大挑战。现有方法通常无法有效整合诸如肿瘤分级等医学领域知识，而肿瘤分级与肿瘤的侵袭性和形态学相关，能为在分割过程中更准确地检测肿瘤子区域提供关键见解。我们提出了一种自动化可编辑提示学习（AEPL）框架，该框架通过将多任务学习和提示学习与自动且可编辑的提示生成相结合，将肿瘤分级整合到分割过程中。具体而言，AEPL 采用一个编码器来提取图像特征，用于肿瘤分级预测和分割掩码生成。预测的肿瘤分级作为自动生成的提示，引导解码器生成精确的分割掩码。这消除了对手动提示的需求，同时允许临床医生手动编辑自动生成的提示以微调分割结果，从而增强了灵活性和精度。所提出的 AEPL 在 BraTS 2018 数据集上取得了最先进的性能，证明了其有效性和临床潜力。源代码可在线获取。
引用
@article{arxiv.2410.19847,
title = {AEPL: Automated and Editable Prompt Learning for Brain Tumor Segmentation},
author = {Yongheng Sun and Mingxia Liu and Chunfeng Lian},
journal= {arXiv preprint arXiv:2410.19847},
year = {2024}
}
备注
4 pages paper for ISBI2025