LesiOnTime -- 基于纵向DCE-MRI中小腿癌病灶分割的联合时空与临床建模
计算机视觉与模式识别
2025-08-05 v2 人工智能
摘要
准确分割乳腺动态对比增强MRI（DCE-MRI）中的小病灶对于早期癌症检测至为关键，尤其是对于高危患者。虽然近期的深度学习方法在病灶分割方面取得了进展，但它们主要针对大病灶，忽略了放射科医生常规使用的纵向信息和临床信息。在实际筛查中，检测微小或新发病灶需要放射科医生跨时间点进行比较，并考虑之前的放射学评估，如BI-RADS分数。我们提出LesiOnTime，一种新颖的3D分割方法，通过联合利用纵向影像和BI-RADS分数来模拟临床诊断工作流程。其关键组件包括：（1）时空先验注意力（Temporal Prior Attention, TPA）模块，用于动态整合来自之前和当前扫描的信息；（2）BI-RADS一致性正则化（BI-RADS Consistency Regularization, BCR）损失函数，通过对类似放射学评估的扫描在潜在空间中进行对齐来强制约束，从而将领域知识嵌入训练过程。在针对高危患者DCE-MRI数据集进行评估后，我们的方法在Dice系数上比当前最先进的单时间点和纵向基线方法提高了5%。消融研究表明，TPA和BCR均对性能提升贡献互补。这些结果凸显了在实际乳腺癌筛查中，纳入时空和临床背景对于可靠的早期病灶分割的重要性。我们的代码已公开发布于https://github.com/cirmuw/LesiOnTime
引用
@article{arxiv.2508.00496,
title = {LesiOnTime -- Joint Temporal and Clinical Modeling for Small Breast Lesion Segmentation in Longitudinal DCE-MRI},
author = {Mohammed Kamran and Maria Bernathova and Raoul Varga and Christian F. Singer and Zsuzsanna Bago-Horvath and Thomas Helbich and Georg Langs and Philipp Seeböck},
journal= {arXiv preprint arXiv:2508.00496},
year = {2025}
}