A Dual-Task Synergy-Driven Generalization Framework for Pancreatic Cancer Segmentation in CT Scans.
研究背景
胰腺癌恶性程度高，准确病变勾画对诊断和治疗至关重要。但现有方法面对影像学和病变异质性时，泛化能力受限。因此，研究提出泛化框架提升病变勾画准确性与模型稳定性。
方法速览
采用双任务协同驱动的泛化框架，用随机卷积操作生成样本对增强模型对不同灰度纹理的适应性。引入双自监督学习策略，通过特征和输出空间一致性优化提高泛化能力。训练和测试采用粗到细分割策略，先分割胰腺，再在胰腺区域内分割肿瘤。
主要发现
- 提升模型适应性和稳定性：在三个差异大的数据集实验，Dice系数提高9.51%，能应对影像学差异，提升未见过数据的表现。
- 增强双任务协同效应：将二值掩模转为距离图，增强肿瘤定位和形态描述。双任务协同学习提高分割精度，改善边界拟合能力。
- 提高模型泛化能力：引入双自监督学习策略，显著提升模型在不同数据集的泛化性能，增强处理不同灰度纹理时的稳定性。
- 肿瘤定位和边界预测出色：与现有方法比，平均对称表面距离和95%分位数Hausdorff距离更低，处理肿瘤分割任务更准确可靠。
- 不同数据集表现一致：在不同病变类型数据集上，如MSD数据集的多种肿瘤，仍能保持高分割精度。
- 计算成本较低：在参数数量、计算量和推理时间上有优势，可在资源受限环境高效部署。
总结展望
本研究提出的框架在提高胰腺癌分割泛化性能上取得显著进展，虽存在数据集规模小、多模型顺序执行影响实时性能、手动标注有主观性等局限，但仍为临床应用提供有力技术支持。