深度学习小器官分割挑战：面向数据有限医学研究的基准测试视角
计算机视觉与模式识别
2026-04-07 v2 人工智能
摘要
对血管腔结构在组织病理图像中的准确分割对于心血管疾病研究至关重要。本研究系统评估了十个深度学习分割模型，包括经典架构、现代 CNN、Vision Transformer 和基础模型，在九幅心血管组织病理图像的有限数据集上进行评估。我们对数据增强、输入分辨率和随机种子稳定性进行了消除实验，以量化方差来源。在分布迁移下的独立泛化数据集 (N=153) 上的评估显示，基础模型保持性能而经典架构失败，模型排名在分布内和分布外设置之间发生显著变化。在第二个数据集上以不同样本大小进行训练，揭示数据特定的排名层次结构，确认模型排名在数据集之间不可推广。尽管进行了严格的贝叶斯超参数优化，模型性能仍高度依赖数据划分。Bootstrap 分析揭示顶级模型之间的置信区间大幅重叠，差异更多由统计噪声而非算法优势所驱动。这种不稳定性暴露了在低数据临床环境中标准基准测试的局限性，并挑战了性能排名反映临床实用性的假设。我们主张在低数据临床研究场景中采用不确定性感知评估，从两个角度出发：其一，该场景并非小众，而是广泛存在；其二，这使得从观察初期即可 Pursuing 或 中止 基于有限数据集的研究轨迹成为可能。
引用
@article{arxiv.2509.05892,
title = {Challenges in Deep Learning-Based Small Organ Segmentation: A Benchmarking Perspective for Medical Research with Limited Datasets},
author = {Phongsakon Mark Konrad and Andrei-Alexandru Popa and Yaser Sabzehmeidani and Liang Zhong and Madhulika Tripathy and Andrei Constantinescu and Elisa A. Liehn and Serkan Ayvaz},
journal= {arXiv preprint arXiv:2509.05892},
year = {2026}
}