- 4 次围观
由粗到细的分割是三维病灶勾画的一种自然策略，因为对整个扫描进行全分辨率处理的代价较高，而仅有很小一部分体积包含病变。然而，其主要失效模式具有结构性：粗分割阶段遗漏的病灶通常不会出现在感兴趣区域中，因此无法由精细分割阶段恢复。对于小型、低对比度和多灶性病灶而言，这一问题尤为严重。我们提出了 RECALLREFINE，一种受覆盖率约束的由粗到细框架，将候选区域选择视为一个召回率关键的学习问题，而非围绕粗分割掩膜进行确定性裁剪。首先，基于全体积的网络预测粗粒度病灶概率图和多尺度特征。随后，候选评分网络融合粗粒度概率、预测不确定性、特征新颖性和空间上下文信息，对相互重叠的三维图像块进行评分。在训练过程中，采用可微分选择器，并通过逐病灶实例的覆盖目标对其进行优化；该目标要求在固定的精细化预算下，每个经标注的病灶实例至少由一个所选图像块覆盖。所选图像块随后由带有上下文环分支的局部精细化网络以原生分辨率进行处理，重叠区域的预测结果再被合并回完整体积中。 在四个公开的三维病灶基准数据集上，RECALLREFINE 将平均肿瘤 Dice 从性能最强且匹配的粗到细基线方法的 76.5% 提升至 78.4%；对于直径小于 10 mm 的病灶，其敏感性则由 60.9% 提升至 70.8%。在候选区域预算为 20% 时，该选择器能够覆盖 94.4% 的病灶实例，从而显著减少不可逆的粗分割阶段遗漏。结果表明，级联式病灶分割的核心问题不仅在于如何对已检测到的病灶进行精细化处理，还在于如何确保困难病灶仍然被纳入精细化处理集合。
由粗到细的分割是三维病灶勾画的一种自然策略，因为对整个扫描进行全分辨率处理的代价较高，而仅有体积中的一小部分包含病变。然而，该策略的主要失效模式具有结构性：如果病灶在粗分割阶段被漏检，通常就不会出现在感兴趣区域中，因此无法由精细分割阶段恢复。对于小型、低对比度和多灶性病灶而言，这一问题尤为严重。我们提出了 RECALLREFINE，一种受覆盖约束的由粗到细框架，将候选区域选择视为召回率关键的学习问题，而非围绕粗分割掩膜进行确定性裁剪。首先，基于全体积的网络预测粗略病灶概率和多尺度特征。随后，候选评分网络融合粗略概率、预测不确定性、特征新颖性和空间上下文信息，对相互重叠的三维块进行评分。在训练过程中，通过逐组件覆盖目标优化一个可微选择器；在固定的精细化预算下，该目标要求每个标注的病灶实例至少被一个所选块覆盖。所选块由一个带有上下文环分支的局部精细化网络以原生分辨率进行处理，随后将重叠预测结果合并回完整体积。
在四个公开的三维病灶基准数据集上，与性能最强且匹配的粗到细基线方法相比，RECALLREFINE 将平均肿瘤 Dice 从 76.5% 提升至 78.4%；对于直径小于 10 mm 的病灶，其敏感性则从 60.9% 提升至 70.8%。在候选区域预算为 20% 时，该选择器能够覆盖 94.4% 的病灶实例，从而显著减少不可逆的粗分割阶段漏检。结果表明，级联式病灶分割的核心问题不仅在于如何对已检测到的病灶进行精细化处理，还在于如何确保困难病灶仍然能够被纳入精细化处理集合。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.21.753396v1?rss=1
🏷️ 三维病灶分割 粗到细分割 候选区域选择 召回率约束 医学图像分析