3D 医学图像的仿射 lesion 分割
图像与视频处理
2025-10-22 v1 计算机视觉与模式识别
摘要
医学图像分割是精密医疗的关键组成部分，使能够准确定位和描绘病灶区域，如 lesion。然而，现有模型经验性地对固定阈值（如 0.5）进行分割，以区分 lesion 与背景，无法对关键指标如假阴性率 (FNR) 提供统计保证。这一缺乏原则性风险控制的做法削弱了其在高风险临床应用中的可靠部署，尤其是在困难的 3D lesion 分割 (3D-LS) 场景中。为此，我们提出了一种风险受约束的框架，称为仿射 lesion 分割 (CLS)，通过仿射化校准数据驱动阈值，以确保在给定风险水平下，测试时的 FNR 保持在目标容忍度 之下。CLS 通过保留校准集来分析每个样本在 FNR 容忍度下的阈值设置，基于仿射预测的思想。我们定义 FNR 特定损失函数，并识别使每个校准数据点恰好满足目标容忍度的关键阈值。给定用户指定的风险水平 ，我们随后确定所有关键阈值的大约 分位值，作为测试时的置信阈值。通过对这些关键阈值进行仿射化，CLS 将校准集中观察到的统计规律推广到新的测试数据，提供严格的 FNR 约束，同时yield更精确可靠的分割。我们在六个 3D-LS 数据集上验证了 CLS 的统计严谨性和预测性能，覆盖五个 backbone 模型，并为在临床实践中部署风险感知分割提供了可操作性见解。
引用
@article{arxiv.2510.17897,
title = {Conformal Lesion Segmentation for 3D Medical Images},
author = {Binyu Tan and Zhiyuan Wang and Jinhao Duan and Kaidi Xu and Heng Tao Shen and Xiaoshuang Shi and Fumin Shen},
journal= {arXiv preprint arXiv:2510.17897},
year = {2025}
}