面向多中心DCE-MRI中鲁棒乳腺癌分割的选择性相位感知nnU-Net训练
图像与视频处理
2025-12-23 v1 计算机视觉与模式识别
摘要
乳腺癌是女性最常见的癌症，也是女性死亡的主要原因之一。动态对比增强MRI（DCE-MRI）是评估乳腺肿瘤的强大成像工具，但该领域缺乏用于分析治疗反应和指导个体化护理的标准化基准。我们参与了MAMA-MIA挑战的Primary Tumor Segmentation任务，本工作提出了一种针对nnU-Net架构的选择性、相位感知训练框架，强调以质量为导向的数据选择以强化模型的鲁棒性和泛化能力。我们采用No New Net（nnU-Net）框架，采用选择性训练策略，系统分析图像质量和中心特异性变异对分割性能的影响。在DUKE、NACT、ISPY1和ISPY2数据集上的受控实验表明，包括含有运动伪影和对比度降低的ISPY扫描会损害分割性能，即使使用先进的预处理方法，如对比度受限自适应直方图均衡（CLAHE）。相比之下，在DUKE和NACT数据上训练，这些数据虽分辨率不同，但对比度更清晰、运动伪影更少，结合早期相位图像（0000-0002）提供了更稳定的训练条件。我们的结果表明，面向异构临床数据集实现可靠分割性能，相位敏感和质量感知的训练策略至关重要，突显了对数据扩展的局限性，动力需求未来自动化质量基于数据选择策略。
引用
@article{arxiv.2512.19225,
title = {Selective Phase-Aware Training of nnU-Net for Robust Breast Cancer Segmentation in Multi-Center DCE-MRI},
author = {Beyza Zayim and Aissiou Ikram and Boukhiar Naima},
journal= {arXiv preprint arXiv:2512.19225},
year = {2025}
}