Uncertainty-Guided Coarse-to-Fine Tumor Segmentation with Anatomy-Aware Post-Processing

要約

胸部コンピューター断層撮影（CT）における信頼できる腫瘍のセグメンテーションは、境界のあいまいさ、クラスの不均衡、解剖学的変動のために依然として困難です。
解剖学的に認識されている後処理によって強化された、全身腫瘍の局在と洗練された領域（ROI）セグメンテーションを組み合わせた、不確実な誘導型の粗からファインのセグメンテーションフレームワークを提案します。
第1段のモデルは、粗い予測を生成し、その後、肺のオーバーラップ、肺表面への近接性、およびコンポーネントサイズに基づいた解剖学的に情報に基づいたフィルタリングが続きます。
結果として得られるROIは、不確実性を意識した損失関数で訓練された第2段階モデル​​によってセグメント化され、あいまいな領域の精度と境界のキャリブレーションを改善します。
プライベートおよびパブリックデータセットでの実験は、サイコロとハウドルフのスコアの改善を示し、誤検知が少なく、空間解釈が強化されています。
これらの結果は、堅牢で臨床的に意味のある腫瘍描写のためのカスケードセグメンテーションパイプラインにおける不確実性モデリングと解剖学的前層を組み合わせることの価値を強調しています。
Orlando Datasetでは、私たちのフレームワークはSwin Unetr Diceを0.4690から0.6447に改善しました。
偽の成分の減少は、セグメンテーションの利益と強く相関しており、解剖学的に情報に基づいた後処理の価値を強調しています。

要約(オリジナル)

Reliable tumor segmentation in thoracic computed tomography (CT) remains challenging due to boundary ambiguity, class imbalance, and anatomical variability. We propose an uncertainty-guided, coarse-to-fine segmentation framework that combines full-volume tumor localization with refined region-of-interest (ROI) segmentation, enhanced by anatomically aware post-processing. The first-stage model generates a coarse prediction, followed by anatomically informed filtering based on lung overlap, proximity to lung surfaces, and component size. The resulting ROIs are segmented by a second-stage model trained with uncertainty-aware loss functions to improve accuracy and boundary calibration in ambiguous regions. Experiments on private and public datasets demonstrate improvements in Dice and Hausdorff scores, with fewer false positives and enhanced spatial interpretability. These results highlight the value of combining uncertainty modeling and anatomical priors in cascaded segmentation pipelines for robust and clinically meaningful tumor delineation. On the Orlando dataset, our framework improved Swin UNETR Dice from 0.4690 to 0.6447. Reduction in spurious components was strongly correlated with segmentation gains, underscoring the value of anatomically informed post-processing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google