HQColon：用于高质量结肠标注与分割的混合交互式机器学习流水线
计算机视觉与模式识别
2025-03-03 v1 机器学习
摘要
高分辨率结肠分割对于临床和研究应用（如数字孪生和个性化医疗）至关重要。然而，领先的开源腹部分割工具 TotalSegmentator 在处理形状复杂且多变的结肠时精度不足，且需要耗时的标注。在此，我们提出了首个全自动高分辨率结肠分割方法。为了开发该方法，我们首先使用结合了区域生长与交互式机器学习的流水线创建了一个高分辨率结肠数据集，以在 CT 结肠成像 (CTC) 图像上高效且准确地标注结肠。基于由 435 张已标注 CTC 图像组成的生成数据集，我们训练了一个 nnU-Net 模型以进行全自动结肠分割。我们的全自动模型实现了 0.2 mm 的平均对称表面距离（相比之下 TotalSegmentator 为 4.0 mm）以及 1.0 mm 的第 95 百分位 Hausdorff 距离（相比之下 TotalSegmentator 为 18 mm）。我们的分割精度大幅超越 TotalSegmentator。我们共享了训练好的模型和流水线代码，提供了首个也是唯一一个用于高分辨率结肠分割的开源工具。此外，我们还创建了一个公开可用的高分辨率结肠标注的大规模数据集。
引用
@article{arxiv.2502.21183,
title = {HQColon: A Hybrid Interactive Machine Learning Pipeline for High Quality Colon Labeling and Segmentation},
author = {Martina Finocchiaro and Ronja Stern and Abraham George Smith and Jens Petersen and Kenny Erleben and Melanie Ganz},
journal= {arXiv preprint arXiv:2502.21183},
year = {2025}
}