面向颈部部位CT淋巴结分割基石模型的动态梯度稀疏化训练
计算机视觉与模式识别
2025-03-04 v1
摘要
准确的淋巴结（LN）分割是放疗治疗和预后分析中的关键环节，但受限于需要大量标注数据。虽然基于深度学习的分割基石模型在以较少样本开发高性能模型方面显示出潜力，但其在医学领域的适应面临LN领域特定先验缺失和复杂临床实践中低效的few-shot微调问题，凸显了构建LN分割基石模型的必要性。本文我们对3,346例公开的头颈部CT扫描中的36,106个可见淋巴结进行标注，以建立稳健的淋巴结分割模型（nnUNetv2）。在此基础上，我们提出了动态梯度稀疏化训练（DGST），这是一种在保留基础知识的同时，通过少量标注数据动态更新淋巴结分割模型中最关键参数的few-shot微调方法。我们在两个公开的淋巴结分割数据集（SegRap2023和LNQ2023）上对其进行验证。结果表明，DGST在有限标注数据下优于现有的few-shot微调方法，实现了令人满意的性能。我们发布数据集、模型和所有实现，以促进相关研究：https://github.com/Zihaoluoh/LN-Seg-FM。
引用
@article{arxiv.2503.00748,
title = {Dynamic Gradient Sparsification Training for Few-Shot Fine-tuning of CT Lymph Node Segmentation Foundation Model},
author = {Zihao Luo and Zijun Gao and Wenjun Liao and Shichuan Zhang and Guotai Wang and Xiangde Luo},
journal= {arXiv preprint arXiv:2503.00748},
year = {2025}
}
备注
10 pages, 3 figures, 2 tables, and the lymph node segmentation foundation model code and pretrained model are available