基于共识的人类在环脑神经瘤数据集
计算机视觉与模式识别
2025-11-04 v1 人工智能
摘要
对脑神经瘤(VS)在磁共振成像(MRI)上的准确分割对于患者管理至关重要,但通常需要专家耗时的手动标注。虽然近期深度学习(DL)的进展促进了自动分割,但在跨数据集和复杂临床病例上实现稳健性能仍面临挑战。我们 presenting 一个来自基于深度学习框架进行迭代分割和质量细化的标注数据集。我们整合了多个中心的数据,并依赖专家共识确保标注可信。我们展示了该方法能够有效且资源高效地将自动分割模型推广到目标数据分布。该框架在目标内部验证数据集上实现了显著的分割精度提升, Dice相似系数从0.9125提高到0.9670,同时在代表性外部数据集上保持稳定性能。专家对143例扫描的评估进一步揭示了模型细化的领域,显示出分割需要专家介入的细微案例。该方法估计可比传统手动标注流程提高约37.4%的效率。总体而言,我们的在环人类模型训练方法实现了高分割精度,凸显其作为临床可适应且可推广的自动化VS分割策略在多样临床环境中的潜力。该数据集包括190名患者,其中534例纵向增强T1加权(T1CE)扫描可用于184名患者,6名患者的非标注T2加权扫描亦包含在内。该数据集已公开发布于The Cancer Imaging Archive (TCIA) (https://doi.org/10.7937/bq0z-xa62)。
引用
@article{arxiv.2511.00472,
title = {Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations},
author = {Navodini Wijethilake and Marina Ivory and Oscar MacCormac and Siddhant Kumar and Aaron Kujawa and Lorena Garcia-Foncillas Macias and Rebecca Burger and Amanda Hitchings and Suki Thomson and Sinan Barazi and Eleni Maratos and Rupert Obholzer and Dan Jiang and Fiona McClenaghan and Kazumi Chia and Omar Al-Salihi and Nick Thomas and Steve Connor and Tom Vercauteren and Jonathan Shapey},
journal= {arXiv preprint arXiv:2511.00472},
year = {2025}
}