基于注册辅助的多参数 MRI 下的半监督肝脏分割与基于补丁的纤维化分期
计算机视觉与模式识别
2026-02-11 v1
摘要
肝纤维化在临床实践中提出重大挑战，凸显了精确肝脏分割和准确疾病分期的必要性。基于 CARE Liver 2025 Track 4 挑战赛赛道，本研究提出一种用于肝脏分割(LiSeg)和肝纤维化分期(LiFS)的多任务深度学习框架。LiSeg 阶段通过采用半监督学习模型集成图像分割和注册，解决标签图像有限和多参数 MRI 数据复杂性的问题。该模型利用有标签和无标签数据，克服由模态间漂移和跨模态差异带来的挑战。在 LiFS 阶段，我们采用基于补丁的方法，根据分类输出结果实现肝纤维化分期的可视化。该方法有效处理了多模态成像数据、有限标签和域漂移问题。该方法已在挑战组织者提供的独立测试集上进行测试，该测试集包括分布内(ID)和分布外(OOD)案例，使用三通道 MRI(T1、T2、DWI)和七通道 MRI(T1、T2、DWI、GED1-GED4)。代码已公开 available. Github 链接：https://github.com/mileywang3061/Care-Liver
引用
@article{arxiv.2602.09686,
title = {Semi-supervised Liver Segmentation and Patch-based Fibrosis Staging with Registration-aided Multi-parametric MRI},
author = {Boya Wang and Ruizhe Li and Chao Chen and Xin Chen},
journal= {arXiv preprint arXiv:2602.09686},
year = {2026}
}