ULS+：数据驱动模型适应提升皮肤病变分割精度
计算机视觉与模式识别
2026-01-07 v1 人工智能
摘要
本研究提出了 ULS+，即通用皮肤病变分割（ULS）模型的增强版。原始 ULS 模型给定以点击点为中心的感兴趣区域（VOI）中的体积，对全身皮肤病变进行分割。自发布以来，已有多个新的公开数据集可进一步提高模型性能。ULS+ 整合了这些额外数据集并使用更小的输入图像尺寸，从而实现更高的准确率和更快的推理速度。我们使用 Dice 评分和对点击点位置的鲁棒性对 ULS 和 ULS+ 进行比较，分别基于 ULS23 挑战测试数据和 Longitudinal-CT 数据集的子集。在所有比较中，ULS+ 均显著优于 ULS。此外，ULS+ 在 ULS23 挑战测试阶段排名第一。通过保持数据驱动更新与临床验证的循环，ULS+ 建立了面向临床应用的稳健皮肤病变分割模型基础。
引用
@article{arxiv.2601.02988,
title = {ULS+: Data-driven Model Adaptation Enhances Lesion Segmentation},
author = {Rianne Weber and Niels Rocholl and Max de Grauw and Mathias Prokop and Ewoud Smit and Alessa Hering},
journal= {arXiv preprint arXiv:2601.02988},
year = {2026}
}
备注
Accepted for publication at BVM 2026 (Bildverarbeitung f\"ur die Medizin), peer-reviewed conference paper