基于迁移学习增强的多模态切片交互网络用于肺癌PET/CT成像中内大体肿瘤体积的精确分割
计算机视觉与模式识别
2025-09-30 v1 人工智能
摘要
肺癌仍然是全球癌症相关死亡的主要原因。在PET/CT成像中精确勾画内大体肿瘤体积（IGTV）对于肺癌等移动肿瘤的优化放射治疗至关重要，以考虑肿瘤运动，但受到带标注的IGTV数据集有限以及肿瘤边界处PET信号强度减弱的阻碍。在本研究中，我们提出了一种基于迁移学习的方法，利用一个带有MAMBA的多模态交互感知网络，该网络在大体肿瘤体积（GTV）数据集上进行预训练，随后在一个私有IGTV队列上进行微调。该队列构成了肺癌统一跨模态成像数据集（LUCID）的PET/CT子集。为了进一步解决IGTV周边切片中弱PET强度的挑战，我们在2.5D分割框架内引入了一个切片交互模块（SIM），以有效建模切片间关系。我们提出的模块将通道和空间注意力分支与深度可分离卷积相结合，能够更稳健地学习切片到切片的依赖关系，从而提高整体分割性能。全面的实验评估表明，我们的方法在私有IGTV数据集上达到了0.609的Dice系数，显著超过了传统基线0.385的得分。这项工作突显了迁移学习结合先进的多模态技术和SIM，在增强肺癌放射治疗计划中IGTV分割的可靠性和临床相关性方面的潜力。
引用
@article{arxiv.2509.22841,
title = {Multimodal Slice Interaction Network Enhanced by Transfer Learning for Precise Segmentation of Internal Gross Tumor Volume in Lung Cancer PET/CT Imaging},
author = {Yi Luo and Yike Guo and Hamed Hooshangnejad and Rui Zhang and Xue Feng and Quan Chen and Wil Ngwa and Kai Ding},
journal= {arXiv preprint arXiv:2509.22841},
year = {2025}
}
备注
11 pages, 5 figures