TimeLesSeg：通过随机生成模型实现统一的不依赖于对比度的横断面和纵向MS病灶分割
计算机视觉与模式识别
2026-05-11 v1 人工智能
摘要
多发性硬化症表现出显著的临床和放射学异质性，这给自动病灶分割带来了巨大挑战。当前的基于深度学习的最先进技术极易受到分布变化（例如，扫描仪变化）以及输入结构变化的影响，这在当前横断面和纵向方法之间的分歧中显而易见。我们引入了TimeLesSeg，一个统一的不依赖于对比度的框架，旨在使用单个卷积神经网络分割MS病灶，无论其输入中是否存在时间维度。我们的方法通过病灶掩码对病理先验进行建模，这些掩码与当前扫描一起处理。通过让模型接触没有先验信息的训练案例（使用空掩码建模），实现了横断面处理，使其能够在两种场景下无缝运行。为了克服纵向数据集的稀缺性和不一致性，我们提出了一种新颖的生成流水线，其中通过使用形态学操作随机变形每个单独的病灶来模拟病灶演变模式，从而产生逼真的先验时间点。同时，我们通过基于高斯混合模型的域随机化实现了对比度不敏感性，使网络能够体验广泛的强度分布。在三个公开数据集和两个内部数据集上的结果表明，在重叠度和基于距离的指标上，TimeLesSeg在单模态输入上优于不依赖于对比度的最先进技术。在纵向处理中，我们的方法优于SAMSEG，并且比前者和LST-AI更准确地捕捉病灶负荷动态。所有与TimeLesSeg开发相关的源代码均可在https://github.com/NeuroADaS-Lab/TimeLesSeg获取。
引用
@article{arxiv.2605.07955,
title = {TimeLesSeg: Unified Contrast-Agnostic Cross-Sectional and Longitudinal MS Lesion Segmentation via a Stochastic Generative Model},
author = {Vicent Caselles-Ballester and Eloy Martínez-Heras and Giuseppe Pontillo and Zoe Mendelsohn and Elena M. Marrón and Juan Luis García Fernández and Laia Subirats and Jon Stutters and Jeremy Chataway and Frederik Barkhof and Sara Llufriu and Ferran Prados},
journal= {arXiv preprint arXiv:2605.07955},
year = {2026}
}