临床场景下的腹部器官分割（RAOS）：具有挑战性病例的鲁棒性评估基准
图像与视频处理
2024-06-21 v1 计算机视觉与模式识别
摘要
深度学习已使腹部多器官分割取得了巨大进步，甚至在常见病例或器官方面超过了初级肿瘤学家。然而，在角落病例和复杂器官上的鲁棒性仍是临床应用面临的挑战性开放问题。为调查模型鲁棒性，我们收集并标注了RAOS数据集，包含413例CT扫描（约8万2D图像，约8千个3D器官标注），来自413名患者，每位患者均有17（女性）或19（男性）个标注器官，由肿瘤学家手动描绘。我们根据临床信息将扫描分为1）诊断/放疗（317个体积），2）部分切除且未缺失完整器官（22个体积），3）切除且完整器官缺失（74个体积）。RAOS提供了用于评估模型鲁棒性（包括器官幻觉）的潜在基准。它还包括一些在公共数据集中难以获取的器官，如直肠、结肠、小肠、前列腺和精囊。我们对比评估了在这三个临床组中多个前沿方法的性能和鲁棒性。我们还评估了RAOS与三个公共数据集之间的交叉泛化。该数据集和全面的分析为未来的鲁棒性研究奠定了潜在基准：\url{https://github.com/Luoxd1996/RAOS}。
引用
@article{arxiv.2406.13674,
title = {Rethinking Abdominal Organ Segmentation (RAOS) in the clinical scenario: A robustness evaluation benchmark with challenging cases},
author = {Xiangde Luo and Zihan Li and Shaoting Zhang and Wenjun Liao and Guotai Wang},
journal= {arXiv preprint arXiv:2406.13674},
year = {2024}
}
备注
10 pages, 1 figure, 6 tables, Early Accept to MICCAI 2024