用于改善脑 MRI 小结构分割的连通分量自适应与病灶级监督

arXiv:2604.08015v3 公告类型：替换并交叉列出 摘要：脑 MRI 中的小病灶难以分割，因为它们仅占总体积的极小部分，并且在逐体素优化过程中被背景和较大病灶所主导，因此模型即使漏检了许多小病灶，仍可能获得较高的 Dice 相似系数（DSC）。我们提出 CATMIL，这是一种训练目标，在标准 nnU-Net 的 Dice 和交叉熵损失中加入两个辅助项，无需改变架构。连通分量自适应 Tversky（CAT）项根据病灶体素所属连通分量大小的倒数对其加权，使每个病灶无论体积大小都具有近乎相等的贡献。病灶级多实例学习（MIL）项将每个病灶视为一个体素包，并对没有任何体素被检出的病灶施加惩罚。在 MSLesSeg 上的多发性硬化病灶分割任务中，CATMIL 实现了最高的小病灶召回率（0.873，而 Dice+CE 为 0.796；差值的 95% 置信区间为 +0.030 至 +0.157，在全部六名测试患者中均更高），漏检病灶数量减少约 48%，同时 DSC 和 HD95 保持相当水平。对于直径至少为 3 mm 的病灶，即达到临床阅片尺寸的病灶，这一提升仍然成立（召回率为 0.944，而对照为 0.870）。使用标准损失时，模型对其漏检的大多数小病灶不产生概率响应，因此无论采用何种阈值都无法将其检出。代价是产生了更多小型假阳性连通分量；简单的连通分量大小过滤器即可去除其中大部分，同时保留灵敏度的提升，而且在病灶级精确率相同的情况下，CATMIL 能检出更多小病灶，并获得更高的病灶级 F1。消融实验表明，检测性能的提升归因于 MIL 项。在第二个数据集 3D-MR-MS 上，采用相同损失权重的 CATMIL 再次提高了小病灶召回率，但代价是假阳性增加更多，且 DSC 略有下降。代码：https://github.com/luumsk/SmallLesionMRI