利用后处理提升预训练分割模型性能
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
胶质瘤是成人最常见的恶性脑肿瘤，亦是最致命的肿瘤之一。尽管接受激进治疗，中位生存期仍不足 15 个月。准确的多参数磁共振 (mpMRI) 肿瘤分割对于手术规划、放射治疗和疾病监测至关重要。尽管深度学习模型已提高自动分割的准确性，但大规模预训练模型在跨域泛化效果差，常产生系统性错误，如误报、标签置换和切片不连续等。这些限制进一步受制于 GPU 资源不均衡以及大规模模型训练的日益昂贵。本文提出自适应后处理技术，以细化由各种类型肿瘤开发的大规模预训练模型产生的胶质瘤分割结果。我们在 BraTS 2025 分割挑战的多个任务中验证了该技术，子撒哈拉非洲挑战排名指标提升 14.9%，成人胶质瘤挑战提升 0.9%。该方法促进了脑肿瘤分割研究从日益复杂的模型架构转向高效、临床导向的后处理策略，这些策略在精度、计算公平性和可持续性方面均具有优势。
引用
@article{arxiv.2512.14937,
title = {Improving Pre-trained Segmentation Models using Post-Processing},
author = {Abhijeet Parida and Daniel Capellán-Martín and Zhifan Jiang and Nishad Kulkarni and Krithika Iyer and Austin Tapp and Syed Muhammad Anwar and María J. Ledesma-Carbayo and Marius George Linguraru},
journal= {arXiv preprint arXiv:2512.14937},
year = {2026}
}