不确定性引导的由粗到细肿瘤分割及解剖学感知后处理

在胸部计算机断层扫描（CT）中，由于边界模糊、类别不平衡以及解剖结构变异，可靠的肿瘤分割仍具挑战性。我们提出了一种基于不确定性引导的从粗到细分割框架，该框架结合了全体积肿瘤定位与精细化的感兴趣区域（ROI）分割，并通过解剖学感知的后处理进行增强。第一阶段模型生成粗略预测，随后基于肺重叠、肺表面邻近度及组件大小的解剖学信息进行过滤。所得ROI由第二阶段模型进行分割，该模型采用不确定性感知损失函数训练，以提高模糊区域内的精度和边界校准能力。在私有和公开数据集上的实验表明，Dice和Hausdorff分数均有所提升，同时减少了假阳性并增强了空间可解释性。这些结果凸显了在级联分割管道中结合不确定性建模和解剖学先验知识对于实现稳健且具有临床意义的肿瘤勾画的价值。在Orlando数据集上，我们的框架将Swin UNETR的Dice分数从0.4690提升至0.6447。虚假组件的减少与分割效果的提升密切相关，进一步证实了解剖学感知后处理的重要性。