利用常规放射性标注实现自发式可提示分割：针对3D CT病灶分割
计算机视觉与模式识别
2026-02-03 v1 人工智能
机器学习
摘要
CT成像机器学习模型的开发依赖于大量高质量且多样化的已标注数据集。虽然大量CT图像和报告很容易在临床图像存档和通讯系统（PACS）中获取，但获取3D病灶分割需要大量人工标注，通常需要放射科医生进行 extensive 标注。相反，放射科医生在常规读取时通常会提供有限的标注，如线测量和箭头，常作为GSPS对象存储于PACS中。我们认为，这些稀疏标注可与CT体积数据提取出来，并通过可提示分割模型转换为3D分割，我们称之为自发式可提示分割。为实现此范式，我们提出了SAM2CT，即首个专为将放射科医生标注转换为CT体积中的3D分割而设计的可提示分割模型。SAM2CT基于SAM2构建，通过扩展提示编码器以支持箭头和线输入，并引入Memory-Conditioned Memories（MCM），一种针对3D医学体积的记忆编码策略。在公共病灶分割基准测试上，SAM2CT在箭头提示下实现0.649的Dice相似系数，在线提示下实现0.757的Dice相似系数，优于现有的可提示分割模型和同样训练的基线模型。在应用模型到临床PACS中现有的GSPS标注（N=60）时，SAM2CT生成的3D分割在87%的情况下被放射科医生评分为临床可接受或仅需轻微调整。此外，SAM2CT在选取的急诊科病灶上表现出强大的零样性能。这些结果表明，大规模挖掘历史GSPS标注代表了一个有前景且可扩展的用于生成3D CT分割数据集的方法。
引用
@article{arxiv.2602.00309,
title = {Opportunistic Promptable Segmentation: Leveraging Routine Radiological Annotations to Guide 3D CT Lesion Segmentation},
author = {Samuel Church and Joshua D. Warner and Danyal Maqbool and Xin Tie and Junjie Hu and Meghan G. Lubner and Tyler J. Bradshaw},
journal= {arXiv preprint arXiv:2602.00309},
year = {2026}
}