将基础模型应用于混合域数据集以量化肺癌分割中的不确定性
图像与视频处理
2025-01-31 v3 计算机视觉与模式识别
摘要
医学图像基础模型已展现出仅需极少微调即可分割器官与肿瘤的能力。这些模型通常在特定任务的分布内数据集上进行评估。然而，在 ID 数据集上的可靠性能并不能保证在分布外数据集上具有稳健的泛化能力。重要的是，一旦部署用于临床，拥有“真实值”轮廓来评估持续的性能漂移是不切实际的，特别是当图像由于不同的成像协议而落入 OOD 类别时。因此，我们引入了一套计算快速的综合性指标，以评估采用自监督学习训练的多个基础模型（Swin UNETR、SimMIM、iBOT、SMIT）的性能。所有模型均在相同数据集上进行微调，用于从计算机断层扫描（CT）中分割肺肿瘤。评估在两个公开的肺癌数据集（LRAD：n = 140，5Rater：n = 21）上进行，其图像采集方式和肿瘤分期与训练数据（n = 317，包含 III-IV 期肺癌的公开资源）不同，此外还有一个包含肺栓塞患者体积 CT 扫描的公开非癌症数据集（n = 120）。所有模型在肺癌测试数据集上产生了相似准确的肿瘤分割。SMIT 产生了最高的 F1 分数（LRAD：0.60，5Rater：0.64）和最低的熵（LRAD：0.06，5Rater：0.12），表明具有更高的肿瘤检出率和可信的分割。在 OOD 数据集上，SMIT 误检的肿瘤数量最少，其体积占用中位数为 5.67 cc，而最佳方法 SimMIM 为 9.97 cc。我们的分析表明，熵和体积占用等附加指标可能有助于更好地理解模型在混合域数据集上的性能。
引用
@article{arxiv.2403.13113,
title = {Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets},
author = {Aneesh Rangnekar and Nishant Nadkarni and Jue Jiang and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:2403.13113},
year = {2025}
}
备注
Accepted at SPIE Medical Imaging 2025