LeCor：学习通过交互式 3D 肺肿瘤分割的元学习测试时间训练进行纠正

在计算机断层扫描 (CT) 上描绘肺部肿瘤需要花费相当多的时间来制定放射治疗计划，并且临床医生可以交互式地细化模型提出的轮廓。 SAM 3 等快速基础模型支持此工作流程，将每个校正写入会话内存，以调节剩余切片，同时模型权重保持固定。在来自五个公共 CT 队列的 690 个测试用例中，肺部肿瘤的 微调 SAM 3 将单点提示获得的 Dice 从 0.298 提高到 0.757，七轮校正将其进一步提高到 0.765，但仅在记忆条件下，注释器未触及的切片的准确性在六轮后停止提高。因此，我们将每次校正视为训练信号，并提出 LeCor，它对一小组案例适配器执行测试时训练，这些适配器针对每个案例进行重置并进行元学习，以便由单击驱动的单个梯度步骤可以改善未单击的切片。在跨越至少 8 个切片的 133 个测试用例中，LeCor 将 7 轮校正后达到的 Dice 从微调模型的 0.787 提高到 0.827，将从未达到 Dice 0.80 的案例数量从 47 个减少到 27 个，并在 3 轮校正中达到了微调模型在 7 轮中达到的精度。