肿瘤锚定深度特征随机森林用于肺癌分割中的分布外检测
图像与视频处理
2026-04-24 v3 计算机视觉与模式识别
机器学习
摘要
从三维计算机断层扫描(CT)中准确分割肺肿瘤对于自动化治疗规划和疗效评估至关重要。尽管在众多数据集上进行了自监督预训练，最先进的Transformer骨干网络仍易受分布外(OOD)输入的影响，往往产生置信度错误的分割结果，在临床部署中存在风险。因此，我们引入了RF-Deep，一个轻量级的基于随机森林的后处理框架，利用有限异常暴露训练的深度特征，仅需40张标注CT（20张分布内和20张分布外），即可改善扫描级OOD检测。RF-Deep重新利用预训练后再微调的语义分割骨干网络的分层特征，从锚定到预测肿瘤区域的多区域聚合特征以捕捉OOD可能性。我们在2232张CT体积上评估了RF-Deep，涵盖近OOD（肺栓塞、COVID-19阴性）和远OOD（肾癌、健康胰腺）数据集。RF-Deep在具有挑战性的近OOD数据集上实现了AUROC >~93，比次优方法高出4-7个百分点，在远OOD数据集上实现了近乎完美的检测（AUROC >~99）。该方法在两个盲验证数据集（COVID-19阳性和乳腺癌）的集成配置下也展现了迁移性（AUROC >~94）。RF-Deep在不同深度和预训练策略的骨干网络上保持一致性能，证明了后处理检测器作为肿瘤分割流水线临床部署安全过滤器的适用性。
引用
@article{arxiv.2512.08216,
title = {Tumor-anchored deep feature random forests for out-of-distribution detection in lung cancer segmentation},
author = {Aneesh Rangnekar and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:2512.08216},
year = {2026}
}
备注
Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026. Code available at: https://github.com/aneesh3108/RF-Deep