SPARS：用于肝肿瘤分割的自博弈对抗强化学习
计算机视觉与模式识别
2025-05-27 v1
摘要
准确的肿瘤分割对于癌症的各种靶向诊断和治疗程序（例如活检规划或肿瘤消融）至关重要。人工勾画极其耗费人力，需要大量专家时间。全监督机器学习模型旨在实现此类定位任务的自动化，但训练需要大量昂贵且通常带有主观性的 3D 体素级标签。即使拥有大型数据集，此类标签的高方差和主观性也会影响模型的泛化能力。组织病理学标签可能提供更客观的标签，但在体内获取像素级标注以开发基于组织学的肿瘤定位方法仍具挑战性。在本工作中，我们提出了一种名为 SPARS（用于分割的自博弈对抗强化学习）的新型弱监督语义分割框架，该框架利用在少量图像级癌症存在二元标签上训练的物体存在分类器，在 CT 扫描上定位癌变区域。这种患者级癌症存在的二元标签可以更便捷地从活检和组织病理学报告中获取，从而在医学图像上实现更客观的癌症定位。使用真实患者数据进行评估，我们观察到 SPARS 取得了 的平均 Dice 系数，大幅优于其他弱监督方法。该性能与需要体素级标注的近期全监督方法相当。我们的结果证明了使用 SPARS 来减少在真实医疗环境中检测癌症对大量人工标注标签需求的潜力。
引用
@article{arxiv.2505.18989,
title = {SPARS: Self-Play Adversarial Reinforcement Learning for Segmentation of Liver Tumours},
author = {Catalina Tan and Yipeng Hu and Shaheer U. Saeed},
journal= {arXiv preprint arXiv:2505.18989},
year = {2025}
}
备注
Accepted at Medical Image Understanding and Analysis (MIUA) 2025