MO-CTranS：基于多异构标注数据集的统一多器官分割模型
计算机视觉与模式识别
2025-03-31 v1
摘要
多器官分割在许多临床任务中具有至关重要的意义。实际情况下，与大规模完全标注数据集相比，多个小规模数据集更易获得，且器官标注不一致。通常会为每个数据集训练一个单独的模型，这并非有效利用数据学习的办法。面对来自多个部分标注数据集的标签冲突和数据不平衡问题，训练单个能稳健学习的模型仍具挑战性。我们提出了 MO-CTranS：一个能够克服此类问题的单一模型。MO-CTranS 包含基于 CNN 的编码器和基于 Transformer 的解码器，这两者以多分辨率方式相互连接。在解码器中引入任务特定标记以帮助区分标签差异。我们对该方法进行了评估和比较，测试于不同视角（即轴向和冠状）获取的腹部 MRI 数据集，这些数据集针对不同器官（即肝脏、肾脏、脾脏）进行了标注。我们的方法在大多数情况下（大多数结果具有统计学显著性）优于所比较的方法。GitHub 链接：https://github.com/naisops/MO-CTranS。
关键词
引用
@article{arxiv.2503.22557,
title = {MO-CTranS: A unified multi-organ segmentation model learning from multiple heterogeneously labelled datasets},
author = {Zhendi Gong and Susan Francis and Eleanor Cox and Stamatios N. Sotiropoulos and Dorothee P. Auer and Guoping Qiu and Andrew P. French and Xin Chen},
journal= {arXiv preprint arXiv:2503.22557},
year = {2025}
}
备注
Accepted by International Symposium on Biomedical Imaging (ISIB) 2025 as an oral presentation