LNQ 2023挑战赛：利用概率性淋巴结图谱学习纵隔淋巴结分割
计算机视觉与模式识别
2024-06-07 v1
摘要
淋巴结转移的评估在实现精确癌症分期中起着关键作用，影响后续治疗方案的决策。由于边界不清晰以及大小和形态特征的多样性，淋巴结检测面临挑战，使其成为一个资源密集型过程。作为LNQ 2023 MICCAI挑战赛的一部分，我们提出使用解剖先验作为工具，结合挑战赛训练数据的部分标注，来解决纵隔淋巴结分割中持续存在的挑战。使用所有建议修改的模型集成获得了0.6033的Dice分数，并分割了57%的真实淋巴结，而仅使用CT训练时这一比例为27%。通过在损失加权和后处理中引入概率性淋巴结图谱，分割精度显著提高。最大的性能提升来自于对完全标注数据进行过采样以应对挑战赛训练数据的部分标注，以及添加额外的数据增强以处理CT图像和淋巴结外观的高度异质性。我们的代码可在 https://github.com/MICAI-IMI-UzL/LNQ2023 获取。
引用
@article{arxiv.2406.03984,
title = {LNQ Challenge 2023: Learning Mediastinal Lymph Node Segmentation with a Probabilistic Lymph Node Atlas},
author = {Sofija Engelson and Jan Ehrhardt and Timo Kepp and Joshua Niemeijer and Heinz Handels},
journal= {arXiv preprint arXiv:2406.03984},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:009