用于 prostate cancer 局部分割的策略：优化影像模态和位置选择
计算机视觉与模式识别
2026-01-09 v1 人工智能
摘要
放射科医生常混合使用医学图像阅读策略，包括检查单个模态和局部图像区域，利用来自不同图像不同位置的信息，独立或同时进行。本文提出一种推荐系统，以协助基于机器学习的分割模型，建议适当的图像部分以及最佳模态，以最大化前列腺癌分割性能。我们的方法训练一个策略网络，通过推荐最佳影像模态和特定感兴趣区域来辅助肿瘤定位。在训练期间，预训练的分割网络模拟放射科医生对单个或由策略网络选择的变量组合这些影像模态及其区域的检查。以局部分割区域为输入进行下一步骤，该动态决策过程迭代，直到完成最佳局部分割。我们使用 1325 例标注的多参数 MRI 图像数据进行验证，展示了其提高标注效率和分割准确性的潜力，尤其在面对棘手病理情况时。实验结果表明，我们的方法优于标准分割网络。更有趣的是，我们训练的智能体独立开发了自己的最优策略，这可能或不符合当前放射科医生指南（如 PI-RADS）。这一观察也暗示了一种有前景的交互式应用，即所提议的策略网络辅助人类放射科医生。
引用
@article{arxiv.2508.03953,
title = {Policy to Assist Iteratively Local Segmentation: Optimising Modality and Location Selection for Prostate Cancer Localisation},
author = {Xiangcen Wu and Shaheer U. Saeed and Yipei Wang and Ester Bonmati Coll and Yipeng Hu},
journal= {arXiv preprint arXiv:2508.03953},
year = {2026}
}