AnatomicalNets: 多结构分割与基于轮廓的距离估计管道用于临床驱动的肺癌 T 分期
计算机视觉与模式识别
2026-04-23 v2 人工智能
摘要
肺癌的准确分期对预后和治疗规划至关重要，由固定指南下的明确解剖标准决定。然而，大多数现有深度学习方法将这一具有空间结构的临床决策视为不可解释的图像分类问题。肿瘤分期依赖于预先确定的定量标准，包括肿瘤的尺寸及其与相邻解剖结构的接近程度，微小的变化可能改变分期结果。为弥补这一差距，我们提出了 AnatomicalNets，一个医学驱动的多阶段管道，将肿瘤分期重新表述为测量和基于规则的推理问题，而非学习映射。我们采用三个专用的编码器-解码器网络精确分割肺实质、肿瘤和纵隔。膈肌边界通过肺轮廓启发式方法估计，而肿瘤的最大尺寸及其与相邻结构的接近程度通过基于轮廓的距离估计方法计算。这些特征随后经过遵循国际肺癌研究协会指南的确定性决策模块。在 Lung-PET-CT-Dx 数据集上评估，AnatomicalNets 达到总体分类准确率 91.36%。我们报告了各阶段的 F1 分数：0.93 (T1)、0.89 (T2)、0.96 (T3) 和 0.90 (T4)，这是先前文献中常被忽略的关键评估方面。我们指出先前工作中的表示瓶颈在于特征设计而非分类器容量。本工作建立了一个透明可靠的分期范式，弥合了深度学习性能与临床可解释性之间的差距。
引用
@article{arxiv.2511.19367,
title = {AnatomicalNets: A Multi-Structure Segmentation and Contour-Based Distance Estimation Pipeline for Clinically Grounded Lung Cancer T-Staging},
author = {Saniah Kayenat Chowdhury and Rusab Sarmun and Muhammad E. H. Chowdhury and Sohaib Bassam Zoghoul and Israa Al-Hashimi and Adam Mushtak and Amith Khandakar},
journal= {arXiv preprint arXiv:2511.19367},
year = {2026}
}