基于不确定性引导的粗到细肿瘤分割及解剖学感知后处理
计算机视觉与模式识别
2025-07-04 v2 人工智能
摘要
可靠的胸部 CT 中的肿瘤分割因边界模糊、类别不平衡和解剖学可变性而具有挑战性。我们提出一种结合全体积肿瘤定位与细化区域感兴趣部位(ROI)分割、并通过解剖学感知后处理来增强的不确定性引导、粗到细分割框架。第一个阶段模型生成粗糙预测，随后基于肺部重叠、靠近肺表面和组件大小进行解剖学感知过滤。 resulting 的 ROI 由第二个阶段模型分割，后者使用不确定性感知损失函数进行训练以提高准确度和边界校准在模糊区域。在私有和公共数据集上的实验表明，Dice 得分和 Hausdorff 得分均得到改善，虚假阳性减少，空间可解释性增强。这些结果凸显了结合不确定性建模和解剖学先验在为实现稳健且临床上有意义的肿瘤描绘中所发挥的价值。在奥兰多数据集上，我们的框架将 Swin UNETR Dice 从0.4690提高到0.6447。关于分割收益的减少伪组件与分割收益呈强相关，这凸显了解剖学感知后处理的价值。
引用
@article{arxiv.2504.12215,
title = {Uncertainty-Guided Coarse-to-Fine Tumor Segmentation with Anatomy-Aware Post-Processing},
author = {Ilkin Sevgi Isler and David Mohaisen and Curtis Lisle and Damla Turgut and Ulas Bagci},
journal= {arXiv preprint arXiv:2504.12215},
year = {2025}
}
备注
6 pages, 2 figures, to appear in IEEE ADSCA 2025