SegAnyPET：从正电子斑光断层扫描图像进行通用可提示分割的通用模型

正电子断层扫描（PET）是一种强大的分子成像工具，在现代医学诊断中发挥着关键作用，通过可视化放射性示踪剂的分布来揭示生理过程。准确地从 PET 图像中进行器官分割对于全面分析不同器官和病理之间的相互作用至关重要。现有的分割方法受限于标注数据的不足以及标注难度的差异，导致泛化能力弱且在临床应用中存在困难。近期开发的分割基础模型在 diverse segmentation 任务中表现出卓越的多样性。尽管已有工作在医学领域进行了适配，这些工作主要关注具有详细生理结构信息的结构性医学图像，在分子 PET 成像上表现有限。本文我们收集并构建 PETS-5k，即迄今为止最大的 PET 分割数据集，包含 5,731 个三维全身 PET 图像，涵盖超过 130 万二维图像。基于建立的数据集，我们开发了 SegAnyPET，这是一个针对 PET 图像的模态特定 3D 基础模型，用于通用可提示分割。为解决标注质量差异带来的挑战，我们采用跨提示置信学习（CPCL）策略，结合不确定性引导的自纠正过程，以从高质量标注数据和低质量噪声标注数据中稳健地学习可提示分割。实验结果表明，SegAnyPET 能够仅通过一个或几个提示点即可对 seen 和 unseen 目标器官进行分割，超过领先的基础模型和任务特定的完全监督模型，在准确率和通用性方面表现更佳。