提升深度学习脑转移瘤分割跨机构泛化能力
计算机视觉与模式识别
2026-04-02 v1 人工智能
摘要
背景：深度学习在自动化脑转移瘤（BM）分割方面已展现出显著潜力；然而，在单一机构训练的模型由于扫描仪硬件、成像方案和患者人群的差异，在不同机构往往表现不佳。本工作旨在创建一个领域适应框架，使 BM 分割可在多个机构中使用。方法：我们提出 VAE-MMD 预处理流水线，将变分自编码器（VAE）与最大均值差异（MMD）损失相结合，并结合跳过连接和自注意力机制 alongside nnU-Net 分割。该方法在来自四个公共数据库的 740 名患者上进行了测试：Stanford、UCSF、UCLM 和 PKU，通过领域分类器准确率、灵敏度、精确度、F1/F2 分数、表面 Dice（sDice）和 95% 分位数 Hausdorff 距离（HD95）进行评估。结果：VAE-MMD 将领域分类器准确率从 0.91 降至 0.50，表明跨机构特征对齐成功。重建体积的 PSNR 大于 36 dB，保持了解剖学准确性。与基线 nnU-Net 相比，组合方法在所有四个中心将平均 F1 提升了 11.1%（0.700 → 0.778），平均 sDice 提升了 7.93%（0.7121 → 0.7686），平均 HD95 降低了 65.5%（11.33 → 3.91 mm）。结论：VAE-MMD 有效减弱了跨机构数据异质性，在体积、检测和边界层面指标上提升了 BM 分割的泛化能力，且无需目标领域标签，从而克服了 AI 辅助分割临床实施的重要障碍。
引用
@article{arxiv.2604.00397,
title = {Improving Generalization of Deep Learning for Brain Metastases Segmentation Across Institutions},
author = {Yuchen Yang and Shuangyang Zhong and Haijun Yu and Langcuomu Suo and Hongbin Han and Florian Putz and Yixing Huang},
journal= {arXiv preprint arXiv:2604.00397},
year = {2026}
}
备注
5 figures and 1 table