面向脑 MRI 小结构分割的组件自适应与病灶级监督
计算机视觉与模式识别
2026-04-28 v2 机器学习
摘要
我们提出了统一的目标函数 CATMIL，通过添加两个在不同层次操作的辅助监督项来增强基本分割损失。第一项是组件自适应 Tversky 损失，依据连通分量对体素贡献进行加权，以平衡不同大小病灶的影响。第二项基于多实例学习 (MIL)，引入病灶级监督，鼓励检测每个病灶实例。这些损失与标准 nnU-Net 损失联合优化，以实现体素级分割精度和病灶级检测。我们在 MSLesSeg 数据集上使用一致的 nnU-Net 框架进行 5 折交叉验证评估。结果表明，CATMIL 在分割精度、病灶检测和误差控制方面表现最为均衡。它提高了 Dice 评分 (0.7834)，并降低了边界误差。更重要的是，它显著提高了小病灶的召回率，降低了误报率，同时在比较方法中保持最低的误报体积。这些发现表明，在高度不平衡的设置下，将组件级和病灶级监督整合到统一目标函数中，是提高小病灶分割效果的有效且实用的做法。所有代码和预训练模型均提供于 https://github.com/luumsk/SmallLesionMRI。
引用
@article{arxiv.2604.08015,
title = {Component-Adaptive and Lesion-Level Supervision for Improved Small Structure Segmentation in Brain MRI},
author = {Minh Sao Khue Luu and Evgeniy N. Pavlovskiy and Bair N. Tuchinov},
journal= {arXiv preprint arXiv:2604.08015},
year = {2026}
}
备注
This version includes additional false-negative and false-positive error analysis in the Results