隐藏与寻找出 attribution：CT 脊椎转移瘤的弱监督分割
计算机视觉与模式识别
2026-04-14 v2 机器学习
摘要
CT 脊椎转移瘤的精准分割临床至关重要，却难以扩展，因为靶区注释稀缺，且溶骨和钙化病灶常类似于良性退行性改变。我们引入一种仅基于脊椎水平健康/恶性标签训练的 2D 弱监督方法，无需任何病灶掩模。该方法结合 Diffusion Autoencoder (DAE)，其产生每颗脊椎的分类引导下健康编辑的图像，并生成像素级差异图以提议可疑病灶候选区域。为确定哪些区域真正反映恶性病变，我们引入隐藏与寻出 attribution：依次揭示每个候选区域而隐藏其他所有区域，编辑后的图像通过 DAE 投影回数据流形， Latent 空间分类器量化该组件孤立恶性贡献。高分区域构成最终的溶骨或钙化分割。在保留的放射科医生注释上，我们实现了强大的钙化/溶骨性能，尽管没有掩模监督（F1: 0.91/0.85；Dice: 0.87/0.78），超越基线（F1: 0.79/0.67；Dice: 0.74/0.55）。这些结果表明，脊椎水平标签可转化为可靠的病灶掩模，证明了生成式编辑结合选择性遮蔽支持 CT 中的准确弱监督分割。
引用
@article{arxiv.2512.06849,
title = {Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT},
author = {Matan Atad and Alexander W. Marka and Lisa Steinhelfer and Anna Curto-Vilalta and Yannik Leonhardt and Sarah C. Foreman and Anna-Sophia Walburga Dietrich and Robert Graf and Alexandra S. Gersing and Bjoern Menze and Daniel Rueckert and Jan S. Kirschke and Hendrik Möller},
journal= {arXiv preprint arXiv:2512.06849},
year = {2026}
}
备注
Accepted to MIDL 2026