arXiv cs.AI· Zhenye Lou, Qing Xu, Stefanie Thust, Dorothee P. Auer, Zhen Chen, Wenting Duan·· 10 小时前AI 评分31
MicroBT：质心引导的协同学习用于多模态微小脑肿瘤分割与计数
MicroBT: Centroid-Guided Synergistic Learning for Multi-Modal Micro Brain Tumor Segmentation and Counting
AI 导读
MicroBT 是一个统一的多模态框架，同时完成微小脑肿瘤分割与计数，通过以预测质心为共享锚点，让密集分割与实例级定位相互协同。针对基于重叠的目标函数压制微小病灶的问题，该框架引入 Volume-Calibrated Loss（VC-Loss）放大微小病灶的梯度贡献，并用 Size-Aware Curriculum Optimization（SACO）稳定多任务训练。
正文 · AI 翻译
摘要：多模态脑肿瘤分割对于临床诊断、放疗计划和纵向监测至关重要。尽管近期研究已取得显著的总体分割性能，但它们依赖于基于重叠的目标函数，这类目标天然偏向大区域，导致小于 3 mm 的微小病灶在训练过程中被系统性地抑制。此外，现有的像素级分割框架缺乏显式的实例级建模，导致病灶计数不可靠，直接影响临床分期和治疗决策。为应对这些挑战，我们提出 MicroBT，一个用于微小脑肿瘤分割与计数的统一多模态框架。我们的核心洞见是：一个基本的几何属性本质上具有尺度不变性——无论大小，每个病灶都具有明确定义的质心。据此，我们首先设计了一种质心锚定的协同范式，利用预测的质心作为共享锚点，同时为稠密分割和实例级定位提供条件。为抵消肿瘤尺寸不平衡，我们进一步设计了体积校准损失（VC-Loss），自适应地放大微小病灶的梯度贡献，并结合尺寸感知课程优化（SACO），通过先建立全局表示再逐步解锁细粒度定位来稳定多任务训练。大量实验表明，MicroBT 优于最先进的方法，尤其在转移瘤上，微小病灶（$\leq 3$ mm）定位精度提升约 7%，计数估计误差降低约 26%。代码可在 此 https URL 获取。
| 注释： | 已被第 37 届英国机器视觉会议（BMVC）2026 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13912 [cs.CV] |
| （或 arXiv:2611.13912v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13912 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 11:04:43 UTC（1,607 KB）
来源：arXiv cs.AI · arxiv.org