语言弱监督的开放式 CT 体积分割

我们介绍了一种训练 CT 扫描的文本条件分割模型的方法，该方法将体素级监督与来自报告的粗略但可扩展的切片级监督相结合。我们从扫描报告对的大型数据库中提取对发现结果的描述以及发生这些发现的切片索引。然后，我们使用强标记数据的标准分割损失和提取的弱监督的切片级分类损失来微调通用 2D 图像分割模型 SAM3。我们在 ReXGroundingCT 数据集上的结果表明，该策略提高了分割骰子分数：从有 1000 个完全标记卷时的 8% 相对增益到有 250 个完全标记卷时的 22%。