借助解剖学信息提升病灶分割精度
计算机视觉与模式识别
2025-08-06 v1
摘要
放射科医生依赖解剖学理解来准确描绘病灶，但大多数当前深度学习方法仅使用纯模式识别，忽略了病灶发生的解剖学背景。为缩小这一差距，我们引入GRASP（Guided Representation Alignment for the Segmentation of Pathologies），一个模块化的即插即用框架，通过伪标签集成和特征对齐来利用现有的解剖学分割模型，从而增强病灶分割模型。与通过辅助训练获取解剖学知识的先前方法不同，GRASP可无需重新训练解剖学组件地集成到标准的病灶优化流程中。我们在两个PET/CT数据集上评估GRASP，进行系统性消融研究，并探讨该框架的内部工作原理。我们发现GRASP在多个评估指标和多样化架构上均 consistently 实现顶级排名。该框架的双重解剖学注入策略，将解剖学伪标签作为输入通道结合到Transformer引导的解剖学特征融合中，有效地将解剖学背景纳入模型中。
引用
@article{arxiv.2508.03374,
title = {GRASPing Anatomy to Improve Pathology Segmentation},
author = {Keyi Li and Alexander Jaus and Jens Kleesiek and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2508.03374},
year = {2025}
}
备注
Accepted at 16th MICCAI Workshop on Machine Learning in Medical Imaging (MLMI2025)