基于解剖学信息的腹主动脉瘤分割深度学习
人工智能
2026-04-14 v1 数据库
摘要
在 CT 血管造影检查中，由于解剖学变异性大、血管边界低对比度以及器官靠近且强度类似血管结构，腹主动脉瘤（AAAs）的准确分割困难，常导致假阳性。为此，我们提出一种解剖感知分割框架，将由 TotalSegmentator 提取的器官排除掩码整合到训练过程中。这些掩码通过识别非血管器官并惩罚这些区域的动脉瘤预测，从而编码显式的解剖先验，引导 U-Net 专注于主动脉及其病理扩张，抑制不符合解剖学的预测。尽管在相对较小的数据集上训练，该解剖感知模型在准确性、假阳性率和边界一致性方面均显著优于标准 U-Net 框架。结果表明，通过排除掩码整合解剖知识是一种提高鲁棒性和泛化能力的有效机制，使即使在有限训练数据下也能实现可靠的 AAA 分割。
引用
@article{arxiv.2604.10311,
title = {Gypscie: A Cross-Platform AI Artifact Management System},
author = {Fabio Porto and Eduardo Ogasawara and Gabriela Moraes Botaro and Julia Neumann Bastos and Augusto Fonseca and Esther Pacitti and Patrick Valduriez},
journal= {arXiv preprint arXiv:2604.10311},
year = {2026}
}
备注
39 pages, 13 figures