SmoothSegNet：基于临床知识信息化标签平滑的肝脏肿瘤分割全局-局部框架
机器学习
2025-05-01 v2 图像与视频处理
摘要
肝癌是全球死亡原因的首要原因之一，准确的基于CT的肿瘤分割对于诊断和治疗至关重要。手动描绘耗时、容易产生变异性，凸显了可靠自动化的需求。虽然深度学习已显示出针对肝脏分割的潜力，但精确的肝脏肿瘤分割仍然具有挑战性，主要由于肿瘤的异质性、肿瘤边界的模糊以及标签数据有限的限制。我们提出了SmoothSegNet，这是一个新型深度学习框架，通过三个关键设计来解决这些挑战：（1）一种新颖的知识信息化标签平滑技术，从临床数据中提炼知识生成平滑标签，用于正则化模型训练，减少过拟合风险并提升模型性能；（2）一种全局与局部分割框架，将主要任务分解为两个更简单的子任务，使每个子任务的预处理和训练能够得到优化；（3）针对每个子任务挑战量身定制的前处理和后处理流程，以增强肿瘤可见性并细化肿瘤边界。我们在具有挑战性的HCC-TACE-Seg数据集上应用所提出的模型，证明SmoothSegNet在分割性能方面优于各种基准方法，尤其在小于10cm的小肿瘤方面表现更佳。我们的消融研究表明，这三个设计组件互为补充，共同促进了模型性能的提升。该方法的代码已在https://github.com/lingchm/medassist-liver-cancer 上提供。
引用
@article{arxiv.2410.10005,
title = {SmoothSegNet: A Global-Local Framework for Liver Tumor Segmentation with Clinical KnowledgeInformed Label Smoothing},
author = {Hairong Wang and Lingchao Mao and Zihan Zhang and Jing Li},
journal= {arXiv preprint arXiv:2410.10005},
year = {2025}
}