使用深度学习在 CT 和 MRI 上对软组织肿瘤进行最小交互分割
内容提要
该文综述了基于深度学习的医学图像分割研究，涵盖脑肿瘤、乳腺癌、前列腺等MRI/PET/CT数据，采用U-Net、弱监督和交互式分割等方法提升分割精度与标注效率，部分模型Dice分数达92%，并探讨了标准化基准等挑战。
延伸解读
交互式分割的临床价值与挑战
文章指出交互式分割旨在通过引入人类反馈提高昂贵注释的效率，并已成为医学图像分析的关键领域。基于深度学习的方法推动了该领域的快速增长，但当前实践存在方法之间比较缺乏的问题，需要标准化基线和基准来解决。这意味着尽管技术不断进步，但缺乏统一评估标准可能阻碍不同方法之间的可靠对比和临床转化。
弱监督分割的效率与精度权衡
文章介绍了一种基于RECIST标记的弱监督切片传播分割方法，在淋巴结数据集上表现出与完全监督方法相当的性能。在RECIST标记图层上Dice分数均值达92%，但在整个3D体积上仅为76%。这表明弱监督方法能显著减少标注成本，但在全体积分割精度上仍有明显差距，实际应用中需权衡标注效率与分割准确性。
不完整数据下的分割模型鲁棒性
文章提到一项研究使用深度学习算法应对医院实际应用中图像数据不完整的情况，检验MRI数据的有效性以诊断脑肿瘤，并证明基于不完整图像数据的分割模型可在临床实践中应用。这提示在真实临床场景中，数据缺失是常见问题，而深度学习模型具备一定的鲁棒性，能够在不完整数据下保持可用性，为临床部署提供了依据。
Q&A
深度学习在脑肿瘤MRI分割中能达到怎样的精度？
采用循环残差U-Net模型对脑膜瘤、胶质瘤和垂体瘤进行自动分割，平均交并比达到0.8665，相比其他深度学习模型具有明显优势。
如何处理医学图像中标注数据稀疏的问题？
一种深度学习方法探索了稀疏标注，即每个3D训练MR图像只有一个2D切片被标注。与ICT相比，该方法在前列腺分割上平均B-IoU增加了10.0%以上（70.3% vs. 60.3%），在左心房分割上增加了6.0%以上（66.1% vs. 60.1%）。
弱监督学习在肿瘤分割中有什么应用和效果？
一种基于CNN的弱监督切片传播分割方法，以RECIST标记为弱监督数据，在淋巴结数据集上性能与全监督方法相当，在病变数据集上RECIST标记图层的Dice分数均值达92%，整个3D体积为76%。
交互式分割如何提高医学图像注释效率？
交互式分割通过引入人类反馈提高昂贵注释的效率。一种基于深度学习的交互分割框架将CNN引入边界框和涂鸦分割管道，通过图像特定微调和加权损失函数，比现有CNN方法更鲁棒，能在更少交互和更短时间内获得准确分割。
PET/CT肿瘤分割的深度学习模型性能如何？
一种新的训练策略构建的PET/CT肿瘤分割模型，在AutoPET 2022挑战赛预测试集上实现了0.7574的Dice分数、0.0299的假阳性体积和0.2538的假阴性体积。
深度学习在乳腺癌MRI分割中能分割哪些组织？
通过利用组织间相互作用，基于动态增强磁共振成像的方法能准确分割乳房中所有主要组织类型，包括胸壁、皮肤、脂肪组织、纤维腺组织、血管和肿瘤，在肿瘤分割上取得卓越Dice指数，同时保持其他组织的竞争性能。
