在临床医生验证的交互式病灶跟踪中利用纵向上下文
计算机视觉与模式识别
2026-05-25 v1 人工智能
机器学习
摘要
在连续 CT 扫描中跟踪肿瘤病灶对于肿瘤响应评估至关重要。现有的自动化方法面临一个根本性的权衡：端到端跟踪器实现了高度自动化，但无法纠正静默跟踪失败，而解耦的配准-分割流程允许用户验证，却丢弃了病灶的先前外观，限制了在模糊情况下的准确性。在本工作中，我们提出了一种验证跟踪范式：临床医生验证配准提出的提示，模型利用该提示以及基线病灶外观来解决分割模糊性。我们提出了一个统一框架，将早期空间提示融合与潜在时间差异加权相结合，用于纵向信息分割。为了解决数据稀缺问题，我们利用大规模合成预训练，证明这对于利用纵向上下文至关重要，与从零开始训练相比，性能提升了高达4.5个 Dice 点。我们的方法在 MICCAI autoPET IV 挑战赛中获得了第一名。我们进一步整理并发布了 PanTrack，一个新的纵向胰腺癌基准，用于评估分布外泛化能力。实验表明，我们的模型在完全自动和所提出的验证跟踪设置下均优于先前的工作，在自动化和控制之间提供了临床安全的折中方案。代码、模型和数据集将在 https://github.com/MIC-DKFZ/LongiSeg 发布
引用
@article{arxiv.2605.23118,
title = {Exploiting Longitudinal Context in Clinician-Verified Interactive Lesion Tracking},
author = {Yannick Kirchhoff and Maximilian Rokuss and Daniel Philipp Mertens and David Füller and Benjamin Hamm and Andreas Schreyer and Oliver Ritter and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:2605.23118},
year = {2026}
}
备注
Accepted at MICCAI 2026