深度学习在结直肠癌肝转移中未来残肝分割的基准测试
机器学习
2026-04-10 v1
摘要
准确分割未来残肝（FLR）对于结直肠癌肝转移（CRLM）的手术规划至关重要，以防止致命的肝切除术后肝衰竭。然而，由于复杂的切除边界、迂曲的肝血管系统和弥漫性转移病灶，这项分割任务在技术上具有挑战性。开发自动化AI工具的一个主要瓶颈是缺乏高保真、经过验证的数据。我们通过手动精炼来自公共CRLM-CT-Seg数据集的所有197个体积，为这项任务创建了首个开源、经过验证的基准，从而弥补了这一空白。然后，我们建立了首个分割基线，比较了使用nnU-Net、SwinUNETR和STU-Net的级联（肝脏->CRLM->FLR）和端到端（E2E）策略。我们发现级联的nnU-Net取得了最佳的最终FLR分割Dice系数（0.767），而预训练的STU-Net提供了更优的CRLM分割（Dice系数0.620），并且对级联误差具有显著更强的鲁棒性。这项工作提供了首个经过验证的基准和一个可复现的框架，以加速AI辅助手术规划的研究。
引用
@article{arxiv.2604.07999,
title = {Benchmarking Deep Learning for Future Liver Remnant Segmentation in Colorectal Liver Metastasis},
author = {Anthony T. Wu and Arghavan Rezvani and Kela Liu and Roozbeh Houshyar and Pooya Khosravi and Whitney Li and Xiaohui Xie},
journal= {arXiv preprint arXiv:2604.07999},
year = {2026}
}
备注
Accepted at the 2026 International Symposium on Biomedical Imaging (ISBI) Oral 4-page paper presentation