论文
基于 3D SAM 的渐进提示框架，用于有限数据设置中放射治疗引起的正常组织损伤的多任务分割
A 3D SAM-Based Progressive Prompting Framework for Multi-Task Segmentation of Radiotherapy-induced Normal Tissue Injuries in Limited-Data Settings
摘要
放射治疗引起的正常组织损伤是临床上重要的并发症，从医学图像中准确分割损伤区域可以促进疾病评估、治疗计划和纵向监测。然而，由于体素水平注释有限以及损伤类型、病变大小和成像方式之间的显着异质性，这些病变的自动分割在很大程度上仍未得到探索。为了解决这一差距，我们策划了一个专门的头颈放疗引起的正常组织损伤数据集，涵盖三种表现：放射性骨坏死（ORN）、脑水肿（CE）和脑放射性坏死（CRN）。我们进一步提出了一种基于 3D SAM 的渐进式提示框架，用于有限数据设置中的多任务分割。该框架逐步纳入了三个互补的提示：用于任务感知适应的文本提示、用于粗略定位的剂量引导框提示以及用于迭代细化的单击提示。引入小目标聚焦损失来改善小而稀疏病灶的局部预测和边界描绘。 ORN、CE 和 CRN 上的实验表明，所提出的方法在不同的损伤类型中实现了可靠的分割性能，并且优于最先进的方法。