MedSR-Impact：基于Transformer的超分辨率用于肺部CT分割、影像组学、分类与预后
图像与视频处理
2025-07-22 v1 人工智能
计算机视觉与模式识别
摘要
高分辨率容积计算机断层扫描（CT）对于胸部疾病的准确诊断和治疗规划至关重要；然而，它受到辐射剂量和硬件成本的限制。我们提出了Transformer容积超分辨率网络（TVSRN-V2），这是一个基于Transformer的超分辨率（SR）框架，专为临床肺部CT分析的实际部署而设计。我们的模型由可扩展组件构建，包括穿平面注意力块（TAB）和Swin Transformer V2，能够有效重建低剂量CT容积中的精细解剖细节，并与下游分析流程无缝集成。我们在多个临床队列上评估了其在三个关键肺癌任务——肺叶分割、影像组学和预后——上的有效性。为了增强对不同采集协议的鲁棒性，我们引入了伪低分辨率增强，模拟扫描仪多样性而无需私有数据。TVSRN-V2在分割精度（+4% Dice）、更高的影像组学特征可重复性和增强的预测性能（+0.06 C-index和AUC）方面表现出显著改进。这些结果表明，SR驱动的结构细节恢复显著增强了临床决策支持，使TVSRN-V2成为一个设计精良、临床可行的系统，适用于实际CT工作流程中的剂量高效成像和定量分析。
引用
@article{arxiv.2507.15340,
title = {MedSR-Impact: Transformer-Based Super-Resolution for Lung CT Segmentation, Radiomics, Classification, and Prognosis},
author = {Marc Boubnovski Martell and Kristofer Linton-Reid and Mitchell Chen and Sumeet Hindocha and Benjamin Hunter and Marco A. Calzado and Richard Lee and Joram M. Posma and Eric O. Aboagye},
journal= {arXiv preprint arXiv:2507.15340},
year = {2025}
}