QCResUNet：联合主体级与体素级分割质量预测
图像与视频处理
2025-07-08 v2 计算机视觉与模式识别
机器学习
摘要
深度学习在近年来取得了显著进展，实现了从磁共振成像（MRI）扫描中自动进行脑肿瘤分割。然而，这些工具的可靠性受到低质量分割异常值的阻碍，特别是在分布外样本中，使其在临床实践中的应用变得困难。因此，需要质量控制（QC）来筛选分割结果的质量。尽管已开发了许多自动QC方法用于分割质量筛选，但大多数是为心脏MRI分割设计的，涉及单一模态和单一组织类型。此外，大多数先前工作仅提供了主体级分割质量预测，而未识别可能需要细化的错误分割部分。为解决这些局限性，我们提出了一种新型多任务深度学习架构QCResUNet，它为主体级分割质量度量以及每个可用组织类别的体素级分割误差图。为了验证所提方法的有效性，我们在评估其性能的两个不同分割任务上进行了实验。首先，我们旨在评估脑肿瘤分割结果的质量。为此，我们在1个内部数据集和2个外部数据集上进行了实验。其次，我们旨在评估来自自动心脏诊断挑战赛的心脏磁共振成像（MRI）数据的分割质量。所提方法在预测主体级分割质量度量和准确识别体素级分割错误方面取得了高性能。这有望用于指导人机交互反馈以改善临床环境中的分割。
引用
@article{arxiv.2412.07156,
title = {QCResUNet: Joint Subject-level and Voxel-level Segmentation Quality Prediction},
author = {Peijie Qiu and Satrajit Chakrabarty and Phuc Nguyen and Soumyendu Sekhar Ghosh and Aristeidis Sotiras},
journal= {arXiv preprint arXiv:2412.07156},
year = {2025}
}
备注
Medical Image Analysis