FreeTumor: 通过大规模肿瘤合成推进肿瘤分割

人工智能驱动的肿瘤分析在医疗保健领域日益受到关注。然而,其进展受到缺乏标注肿瘤病例的严重阻碍,这需要放射科医生投入大量精力进行收集和标注。在本文中,我们介绍了一种非常实用的鲁棒肿瘤合成与分割解决方案,称为FreeTumor,它指的是无需标注的合成肿瘤以及我们解放肿瘤患者的愿望。我们不追求复杂的技术合成模块,而是旨在设计一种简单而有效的肿瘤合成范式,以释放大规模数据的力量。具体来说,FreeTumor主要从三个方面改进了现有方法:(1)现有方法仅利用小规模标注数据进行合成训练,这限制了它们在不同来源的未见数据上的泛化能力。为此,我们引入了对抗训练策略,在合成训练中利用大规模、多样化的未标注数据,显著改善了肿瘤合成。(2)现有方法在很大程度上忽略了低质量合成肿瘤在分割训练中的负面影响。因此,我们采用基于对抗的判别器来自动过滤低质量的合成肿瘤,有效减轻了其负面影响。(3)现有方法在肿瘤分割中仅使用了数百个病例。在FreeTumor中,我们通过将数据集扩展到11k个病例来研究肿瘤分割中的数据缩放定律。大量实验证明了FreeTumor的优越性,例如,在三个肿瘤分割基准上,平均DSC比仅使用真实肿瘤的基线高出$+8.9\%$,比最先进的肿瘤合成方法高出$+6.6\%$。代码将公开。