高效通用的交互式分割框架以纠正医学图像临床评估中的误分割

医学图像的语义分割是许多应用中计算机辅助诊断系统的关键首要步骤。然而，鉴于众多异构成像模态及患者数据的内在变异，利用现代深度神经网络（DNN）难以稳定达到高准确率。这促使研究者提出交互式图像分割技术，使医学专家可交互地将 DNN 输出纠正至所需精度。但这些技术常需带相关人机交互的独立训练数据，且不能泛化至各种疾病与医学图像类型。本文中，我们提出一种面向 DNN 的新型条件推断技术，其将医学专家的干预作为测试时约束，并执行基于这些约束的条件推断。我们的技术具通用性，可用于任意模态的医学图像。与其他方法不同，我们的方法可同时纠正多个结构并补全初始分割中遗漏的结构。我们报告，针对细胞核、多细胞、肝脏与肿瘤、器官及脑分割，用户标注时间相较全人工标注分别提升 13.3、12.5、17.8、10.2 与 12.4 倍。我们报告相较其他交互式分割技术分别节省 2.8、3.0、1.9、4.4 与 8.6 倍时间。我们的方法可协助临床医生以最小专家干预进行诊断与术后随访。源代码与详细结果见此处 [1]。