研究提出统一CT与MRI胰腺分割框架
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对跨模态医学图像分割难题，研究团队开发了一种统一的3D胰腺分割框架。该框架利用域对抗学习技术，基于4604张异质CT和MRI扫描数据学习解剖表征。通过共享nnU-Net编码器-解码器进行全胰腺分割，并利用潜在域判别器促进CT与MRI特征对齐。随后，学习到的编码器被迁移至仅使用有限MRI子区域标注的胰头、体、尾分割任务。测试显示，全胰腺分割在分布内测试集平均Dice得分为87.31%，在外部分布数据集上得分介于84.20%至88.09%之间；下游子区域分割在MRI和CT上的Dice得分分别为80.53%和83.05%，且未使用CT子区域标注。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载跨模态分割挑战
医学图像在不同成像模态间存在显著的外观和强度分布差异，这导致稳健的跨模态分割面临挑战。通常情况下，仅在单一模态上训练的模型在应用于未见过的领域时，性能会出现大幅下降。为了解决这一问题，该研究致力于开发一种能够同时处理CT和MRI数据的统一框架，以减少因模态差异带来的性能损失。
统一框架设计
研究构建了一个统一的3D胰腺分割框架，核心在于应用域对抗学习。该框架处理了4604张异质的CT和MRI扫描数据，旨在学习通用的解剖表征。在具体实现上，采用共享的nnU-Net编码器-解码器架构进行全胰腺分割训练，并引入潜在域判别器，鼓励CT与MRI特征的对齐，从而提升模型在不同模态下的泛化能力。
下游任务迁移
在全胰腺分割模型训练完成后，研究将学习到的编码器迁移至下游的胰腺子区域分割任务，具体包括胰头、胰体和胰尾的分割。这一过程仅使用了有限的MRI子区域标注数据，而未使用CT子区域标注。实验结果显示，这种迁移学习策略在保持较高精度的同时，显著降低了对标注数据的需求。
性能测试结果
该框架在多项测试中表现出了良好的性能。在全胰腺分割任务中，模型在分布内测试集上取得了87.31%的平均Dice得分；在外部分布数据集上，Dice得分范围保持在84.20%至88.09%之间。在下游的子区域分割任务中，MRI数据上的Dice得分为80.53%，CT数据上为83.05%。这些数据证明了统一解剖表征在支持跨模态分割和标签高效下游转移方面的有效性。
为什么值得看
验证了统一解剖表征支持跨模态分割及标签高效下游迁移的可行性。
对齐数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。