ConfLUNet：存在融合病灶时的多发性硬化症病灶实例分割
图像与视频处理
2025-05-29 v1
摘要
MRI 上准确的病灶级别分割对于多发性硬化症（MS）的诊断、预后和疾病监测至关重要。然而，目前的评估实践主要依赖于通过连通分量（CC）进行后处理的语义分割，由于依赖空间连通性，其无法分离融合病灶（融合病灶单元的聚合体，CLUs）。为了解决这一与临床需求不符的问题，我们引入了 CLU 的正式定义及相关的 CLU 感知检测指标，并将它们纳入一个详尽的实例分割评估框架。在该框架内，我们系统评估了 CC 和基于后处理的自动融合分割（ACLS），这是目前仅有的 MS 病灶实例分割方法。我们的分析表明，CC 持续低估 CLU 数量，而 ACLS 倾向于过度分割病灶，导致病灶数量被高估且精度降低。为了克服这些局限性，我们提出了 ConfLUNet，这是首个用于 MS 病灶的端到端实例分割框架。ConfLUNet 从单张 FLAIR 图像中联合优化病灶检测与勾画。在 50 名患者数据上训练后，ConfLUNet 在留出测试集（n=13）上的实例分割（全景质量：42.0% vs. 37.5%/36.8%；p = 0.017/0.005）和病灶检测（F1：67.3% vs. 61.6%/59.9%；p = 0.028/0.013）中均显著优于 CC 和 ACLS。对于 CLU 检测，ConfLUNet 取得了最高的 F1[CLU]（81.5%），相较于 CC 提升了召回率（+12.5%，p = 0.015），相较于 ACLS 提升了精度（+31.2%，p = 0.003）。通过结合严格的定义、新的 CLU 感知指标、可复现的评估框架以及首个专用的端到端模型，这项工作为 MS 中的病灶实例分割奠定了基础。
引用
@article{arxiv.2505.22537,
title = {ConfLUNet: Multiple sclerosis lesion instance segmentation in presence of confluent lesions},
author = {Maxence Wynen and Pedro M. Gordaliza and Maxime Istasse and Anna Stölting and Pietro Maggi and Benoît Macq and Meritxell Bach Cuadra},
journal= {arXiv preprint arXiv:2505.22537},
year = {2025}
}