基于双模态 PET-CT 的骨部感染分割的跨源监督
计算机视觉与模式识别
2026-05-19 v1 人工智能
机器学习
摘要
骨部感染的早期准确诊断和病灶定位对于临床治疗至关重要。PET-CT 将 CT 的解剖信息与 PET 的代谢信息相结合，成为诊断骨部感染的重要影像模态。然而，由于病灶边界模糊以及不同专家或自动化系统生成的注释不一致，准确的病灶分割仍然具有挑战性。本文探讨了在注释不一致性下的骨部感染多模态分割。我们开发了一个整合 PET 代谢信号和 CT 骨窗解剖的双模态 end-to-end 分割框架。为了缓解小数据集中因单切片相关性导致的性能膨胀，该研究放弃了传统的二维评估方法，实现了严格的患者水平 3D 体积评估和交叉验证。此外，除了强制单一共识之外，我们提出了一种解耦双源学习框架，其中并行模型在独立的专家注释驱动下进行训练，分别以高灵敏度和高特异性的临床意图为导向。实验结果客观地报告了患者水平（均值 ± 标准差和均值 ∓ 标准差）上的性能变化，证明了多模态 PET-CT 融合的有效性。交叉评估矩阵定量地揭示了模型如何成功地内化不同专家诊断哲学，为临床 AI 在骨部感染分割中的 robust、保持多样性的范式提供了支持。
引用
@article{arxiv.2605.16373,
title = {Cross-Source Supervision for Bone Infection Segmentation in Dual-Modality PET-CT},
author = {Zonglin Yang and Xiaolei Diao and Jishizhan Chen and Xiaozhuang Man and Wei Kong and Gen Wen and Pengfei Cheng and Daqian Shi},
journal= {arXiv preprint arXiv:2605.16373},
year = {2026}
}