重新思考肺栓塞分割：当前方法与挑战的研究及一个开放权重模型
计算机视觉与模式识别
2026-05-01 v3
摘要
肺栓塞（PE）是一种危及生命的疾病，准确及时的检测对患者护理至关重要。然而，我们对PE分割算法的系统研究揭示了当前研究中存在令人担忧的局限性。挑战包括数据集规模小且不一致、缺乏可复现的基线以及模型间有限的比较评估，这些因素阻碍了该领域的进展。在本研究中，我们整理了一个密集标注的数据集，包含490例CTPA扫描，每例来自唯一患者（430例用于训练，60例用于测试）。我们评估了九种广泛使用的分割架构，包括基于CNN和ViT的模型，采用2D和3D配置，以平均Dice相似系数（mDSC）和平均对称表面距离（ASSD）作为评估指标。此外，性能最高的模型在未经过微调的情况下于公共数据集上进行了评估，展现了合理的泛化性能。我们的结果表明：（1）采用ResNet编码块的3D U-Net仍然是PE分割的高效架构；（2）3D模型始终优于其2D对应模型；（3）在所有架构中，当在同一数据集上训练和评估时，模型误差模式高度一致；（4）远端栓塞由于任务复杂性和高质量数据集匮乏而仍然特别具有挑战性，这凸显了需要覆盖更全面且一致的远端PE的数据集。为促进研究可复现性，我们最佳模型的架构和预训练权重已公开发布于https://github.com/mazurowski-lab/PulmonaryEmbolismSegmentation
引用
@article{arxiv.2509.18308,
title = {Rethinking Pulmonary Embolism Segmentation: A Study of Current Approaches and Challenges with an Open Weight Model},
author = {Yixin Zhang and Ryan Chamberlain and Lawrence Ngo and Kevin Kramer and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2509.18308},
year = {2026}
}
备注
Published in Journal of Imaging Informatics in Medicine. Model weights available at: https://github.com/mazurowski-lab/PulmonaryEmbolismSegmentation