用于CT扫描中肾脏及肾肿瘤自动3D分割的子流形稀疏卷积网络
计算机视觉与模式识别
2026-05-08 v2 机器学习
摘要
在CT扫描中准确描绘肾脏肿瘤对于下游定量分析和精密医学至关重要，但手动分割是专业任务，耗时且难以规模化。自动3D分割仍具有挑战性，因为CT扫描是大型体数据，使得高分辨率稠密卷积网络计算昂贵，常依赖下采样或基于补丁的推理。我们提出一种基于体稀疏化和子流形稀疏卷积网络（SSCNs）的两阶段3D分割方法。第一阶段使用低分辨率稀疏网络识别感兴趣区域（ROI）；第二阶段在裁剪后的ROI内应用高分辨率稀疏网络进行精细分割。实现了在降低内存使用和推理时间的同时进行原生高分辨率3D处理。我们在KiTS23肾癌CT数据集上采用5折交叉验证进行评估。该方法在肾脏+肿瘤、肿瘤+囊肿及肿瘤单独方面分别达到95.8%、85.7%和80.3%的Dice相似系数，与顶尖KiTS23方法相当。在同一交叉验证折叠上的直接比较中，所提出的稀疏方法在肿瘤+囊肌和肿瘤-单体Dice得分方面与基于补丁的nnU-Net基线相当或略高，同时在测试的硬件配置中始终要求更少的VRAM并缩短推理时间。跨所测试GPU，该稀疏模型明显快于nnU-Net和零样本zoom-out/zoom-in基础模型SegVol，后者在局部化肾脏方面表现良好，但在小且异质性病灶上表现不佳。相较于相同架构的稠密实现，所提出的稀疏方法在CPU和GPU配置中实现了最高75%的VRAM使用降低和最高60%的推理时间降低。
引用
@article{arxiv.2511.04334,
title = {Submanifold Sparse Convolutional Networks for Automated 3D Segmentation of Kidneys and Kidney Tumours in Computed Tomography},
author = {Saúl Alonso-Monsalve and Leigh H. Whitehead and Adam Aurisano and Lorena Escudero Sanchez},
journal= {arXiv preprint arXiv:2511.04334},
year = {2026}
}
备注
15 pages, 6 figures