PSAT：基于成人增广与迁移学习的儿童分割方法
图像与视频处理
2025-07-09 v1 机器学习
摘要
儿童医学影像因与成人解剖和发育差异而呈现独特挑战。直接应用在成人数据上训练的分割模型往往表现不佳，尤其是对于小型或快速发展的结构。为解决这些挑战，已提出多种策略利用 nnU-Net 框架，沿四个关键维度进行差异化：(i) 用于派生训练计划（包括网络结构）的指纹数据集（成人、儿童或其组合）；(ii) 学习集（成人、儿童或混合）；(iii) 数据增广参数；以及 (iv) 迁移学习方法（微调 versus 持续学习）。本文引入 PSAT（Pediatric Segmentation Approaches via Adult Augmentations and Transfer learning），系统性地研究这些维度对分割性能的影响。我们在两个儿童 CT 数据集上对所派生的策略进行基准测试，并与最先进的方法（包括商业放射治疗解决方案）进行比较。PSAT 揭示了关键陷阱并提供了可操作的见解，以提高儿童分割性能。我们的实验表明，基于成人指纹数据集的训练计划与儿童解剖结构不匹配，尤其是在分割细小结构时会导致显著的性能下降；而持续学习策略能够缓解机构差异，提高了跨不同儿童数据集的泛化能力。代码已公开于 https://github.com/ICANS-Strasbourg/PSAT/。
引用
@article{arxiv.2507.05764,
title = {PSAT: Pediatric Segmentation Approaches via Adult Augmentations and Transfer Learning},
author = {Tristan Kirscher and Sylvain Faisan and Xavier Coubez and Loris Barrier and Philippe Meyer},
journal= {arXiv preprint arXiv:2507.05764},
year = {2025}
}