基于区域探索的可提示分段技术实现前列腺癌精准分层所需的最低工作量
图像与视频处理
2026-02-23 v1 计算机视觉与模式识别
摘要
目的：对前列腺癌在磁共挍(MR)图像进行精准分段对于规划图像引导干预措施(如针式活检、冷冻切除和放疗)至关重要。然而，微妙且可变的肿瘤表现、影像协议的差异以及专家资源有限，使得解释保持一致性困难。虽然自动方法旨在解决此问题，但它们依赖于大量由专家标注的数据，这些数据常常不一致，而人工分层则十分耗时。本工作旨在通过由用户提供点提示驱动的框架，弥合自动分段与手动分段之间的差距，从而实现准确的、最小化标注工作量的分段。方法：该框架将强化学习(RL)与由用户提示引导的区域生长分段过程相结合。从初始点提示开始，区域生长生成初步分段，通过RL进行迭代细化。在每一步，RL代理观察图像和当前分段，以预测新点，从而进行区域生长更新掩码。奖励在分段准确性和体素级不确定性之间进行权衡，鼓励探索模糊区域，使代理能够跳出局部最优并执行样本特定优化。尽管需要完全监督式训练，该框架在推断时通过显著减少用户工作量将人工和完全自动分段桥接起来，同时优于当前最佳完全自动方法。结果：该框架在两个公共前列腺MR数据集(PROMIS和PICAI，分别包含566和1090个案例)上进行评估。分别以9.9%和8.9%的提升幅度超过前最佳自动方法，性能相当于人工放射科医生分层，标注时间减少十倍。
引用
@article{arxiv.2602.17813,
title = {Promptable segmentation with region exploration enables minimal-effort expert-level prostate cancer delineation},
author = {Junqing Yang and Natasha Thorley and Ahmed Nadeem Abbasi and Shonit Punwani and Zion Tse and Yipeng Hu and Shaheer U. Saeed},
journal= {arXiv preprint arXiv:2602.17813},
year = {2026}
}
备注
Accepted at IPCAI 2026 (IJCARS - IPCAI 2026 Special Issue)