基于 UNet 架构的肝脏肿瘤分割比较研究——基于多相对比增强CT
计算机视觉与模式识别
2026-01-21 v5 人工智能
摘要
多相对比增强CT（CECT）中的肝脏结构分割是计算机辅助诊断和治疗规划中的关键环节。本文研究了基于 UNet 的各种架构用于肝脏肿瘤分割，评估了 ResNet、Transformer 基于和 State-space（Mamba） backbone 使用预训练权重的性能。我们的比较分析表明，尽管现代架构在建模长程依赖方面具有理论优势，但 ResNet 基于模型在该数据集上展现出优异的样本效率。这表明卷积神经网络（CNN）固有的归纳偏置在泛化有限医学数据方面仍具有优势，优于数据需求更高的替代方案。为进一步提高分割质量，我们在 backbone 中引入注意力机制，发现卷积块注意力模块（CBAM）的配置最为 optimal。ResNetUNet3+搭载 CBAM 取得最高的 nominal performance，Dice 得分达 0.755，IoU 为 0.662，同时实现最精确的边界描绘（HD95 最低为 77.911）。关键在于，尽管统计检验表明其平均 Dice 得分相对于基线模型的提升不显著（p > 0.05），但该模型表现出更大的稳定性（更低的标准差）和更高的特异性（0.926）。这些发现表明，经注意力模块增强的经典 ResNet 架构为临床实践中的肝脏肿瘤分割提供了稳健且在统计上可比的替代方案。
引用
@article{arxiv.2510.25522,
title = {Comparative Study of UNet-based Architectures for Liver Tumor Segmentation in Multi-Phase Contrast-Enhanced Computed Tomography},
author = {Doan-Van-Anh Ly and Thanh-Hai Le and Thi-Thu-Hien Pham},
journal= {arXiv preprint arXiv:2510.25522},
year = {2026}
}
备注
18 pages, 11 figures