arXiv cs.AI· Zhenye Lou, Qing Xu, Wenting Duan, Zhen Chen·· 10 小时前AI 评分18
COMPASS-METS：面向脑转移瘤分割的区域级 Logit 融合与效用门控细化方法
Region-Wise Logit Fusion and Utility-Gated Refinement for Brain Metastasis Segmentation
AI 导读
COMPASS-METS 将三个五折 nnU-Net 配置组合为对齐的区域概率集成，通过结构化概率锚点完成区域组件决策、TC 边界补全、RC 过滤与层级保持转换，并用效用门控仅接纳满足病灶存在与几何安全概率的孤立候选。
正文 · AI 翻译
摘要：BraTS-METS 2026 任务 1 评估在异质性多参数 MRI 上对脑转移瘤和术后切除腔的分割，要求检测小的强化病灶，同时保持强化肿瘤（ET）、肿瘤核心（TC）、全肿瘤（WT）和切除腔（RC）的几何形状与层级关系。我们提出 COMPASS-METS（Component-Aware Multi-Trainer Probability Assembly with Structured Segmentation，组件感知多训练器概率组装与结构化分割），它将三种五折 nnU-Net 配置组合成对齐的区域概率集成。结构化概率锚点应用区域特定的组件决策、TC 边界补全、RC 过滤和保持层级的转换。被遗漏的 ET 候选通过已学习的组件置信度以及针对 ET 及其 TC/WT 父级的确定性多训练器支持进行加性恢复；最终效用门仅接纳具有足够病灶存在概率和几何安全概率的断开候选。在复用的 179 例挑战开发队列上，COMPASS-METS（团队：MicroBT）取得了 Small F1 0.354、病灶级 DSC 0.712、NSD 0.714、All F1 0.779 和 HD95 56.6 mm。相对于 ResEncXL，它提升了 DSC、NSD 和 All F1，并降低了 HD95，而 Small F1 从 0.367 变为 0.354。分阶段分析将主要的几何增益归因于结构化概率构建，并表明受保护的 ET 细化恢复了大部分相关的小病灶检测损失。这些 179 例结果仍属于考虑选择偏差的开发估计。源代码公开于 此 https URL。
| 评论： | 已被接受于与 MICCAI 2026 联合举办的脑肿瘤分割挑战赛 - 转移瘤（BraTS-METS） |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13884 [cs.CV] |
| （或 arXiv:2611.13884v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13884 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wenting Duan [查看邮箱]
[v1]
2026年11月10日星期二 10:44:47 UTC（554 KB）
来源：arXiv cs.AI · arxiv.org