从切片到序列：用于 CT 扫描中具有内聚性与一致性的 3D 淋巴结检测的自回归跟踪 Transformer

淋巴结（LN）评估是常规放射学工作流程中的一项重要任务，为癌症分期、治疗规划等提供有价值的见解。在 3D CT 扫描中识别散布分布且低对比度的淋巴结极具挑战性，即使对经验丰富的临床医生也是如此。以往的病灶和淋巴结检测方法证明了 2.5D 方法（即使用带有多个切片输入的 2D 网络）的有效性，该方法利用了预训练的 2D 模型权重，并显示出比单独的 2D 或 3D 检测器更高的准确性。然而，基于切片的 2.5D 检测器并未将淋巴结作为一个 3D 物体的切片间一致性进行显式建模，需要启发式的后处理合并步骤来生成最终的 3D 淋巴结实例，这可能涉及为每个数据集调整一组参数。在这项工作中，我们将 3D 淋巴结检测表述为一个跟踪任务，并提出了 LN-Tracker，一种新颖的淋巴结跟踪 Transformer，用于联合端到端检测和 3D 实例关联。基于 DETR 的检测器，LN-Tracker 将 Transformer 解码器的查询解耦为跟踪组和检测组，其中跟踪查询沿 CT 扫描的 z 轴自回归地跟随先前跟踪到的淋巴结实例。我们设计了一个带有掩码注意力模块的新型 Transformer 解码器，以将跟踪查询的内容与当前切片的上下文对齐，同时保持检测查询在当前切片中的高准确性。引入了切片间相似性损失以鼓励切片之间具有内聚性的淋巴结关联。在四个淋巴结数据集上的广泛评估显示了 LN-Tracker 的卓越性能，与其他顶级 3D/2.5D 检测器相比，平均灵敏度至少提高了 2.7%。在公开的肺结节和前列腺肿瘤检测任务上的进一步验证证实了 LN-Tracker 的泛化能力，因为它在这两个任务上都取得了最佳性能。