EliSeg：基于报告的异常分割的经过验证的目标构建

放射学报告描述了临床观察结果，但没有指定可执行的分割目标。它们可能包含当前的、否定的、先前的、不确定的或不相关的发现，而多种有效的异常可能共存。现有的分割方法在很大程度上通过在推理之前接收目标身份或空间提示来绕过这种歧义，这充当了隐藏的目标预言机。我们研究基于报告的异常分割，其中模型必须直接从未经过滤的报告中确定目标资格、基数和发现与掩码的对应关系，然后再描绘相应的区域。我们提出 \textbf{EliSeg}，一个将目标构建与掩码生成集成在一起的 atcor--verify--revise 框架。受语法约束的 Actor 提出目标槽和掩码，独立的纯文本验证器重建符合条件的发现清单，而修订版在目标结构不一致时有选择地重新执行共享 Actor。 EliSeg 不需要预定义的目标标识、查找提示、点或边界框。 MIMIC-CXR-ILS 上的实验表明，EliSeg 始终优于直接分割方法和跨结果提取然后分割级联，同时有效抑制不合格报告提及的屏蔽。消融研究证实了验证和修订的互补作用，对 CheXlocalize 的评估证明了 EliSeg 到外部数据集的有效传输。代码可在 https://github.com/Maybach-dream/EliSeg 上获取。