通过自评估深度学习模型增强神经肿瘤学:用于脑肿瘤MRI分割的统一模型
计算机视觉与模式识别
2025-11-18 v1
摘要
脑肿瘤的精确分割对于诊断、手术规划和治疗监测至关重要。深度学习已在基准测试上取得进展,但有两个问题限制了其临床应用:缺乏针对误差的不确定性估计,以及缺乏对肿瘤周围健康脑结构的分割以辅助手术。现有方法无法将肿瘤定位与解剖学上下文统一起来,也缺乏置信度评分。本研究提出了一个不确定性感知框架,在nnUNet中增加了一个体素级不确定性通道。在BraTS2023上训练后,该框架在不影响肿瘤分割精度的前提下,获得了0.750的不确定性相关性以及0.047的RMSD。它可在单次前向传播中预测不确定性,无需额外的网络或推理,有助于临床决策。为了提供全脑上下文,一个统一模型结合了正常与癌症数据集,对脑结构取得了0.81的DSC,对肿瘤取得了0.86的DSC,且关键区域性能稳健。结合这两项创新,我们得到了首个在自然环境中输出肿瘤并叠加不确定性图的模型。对输出的可视化检查表明,不确定性为评估预测和修正错误提供了关键洞察,有助于从AI中获得信息充分的手术决策。
引用
@article{arxiv.2511.12801,
title = {Enhancing Neuro-Oncology Through Self-Assessing Deep Learning Models for Brain Tumor Unified Model for MRI Segmentation},
author = {Andrew Zhou},
journal= {arXiv preprint arXiv:2511.12801},
year = {2025}
}