基于三维本体感知框架的脑转移瘤分割及其锁定式外部验证

《BMC Medical Imaging》：Target-image-free ontology-aware segmentation of multifocal brain metastases with atomic tissue representation and counterfactual supervision

　　在存在小且多灶性病变、机构间MRI差异以及标注方案不一致的情况下，准确分割脑转移瘤仍然是一个难题。我们开发了一个三维、无需目标图像、感知目标本体论的框架，该框架结合了源域对齐的原子组织表征、确定性的分类本体投影、多本体投影监督以及仅用于训练的病灶特异性反事实监督。Pretreat-MetsToBrain-Masks数据集仅用于模型开发，而来自MOTUM的38例脑转移瘤病例则保留用于锁定式外部评估，在评估过程中未进行目标域训练、微调、归一化重校准、阈值调整、概率校准或目标特异性后处理。对于主要跨数据集终点——增强肿瘤分割，该框架在Pretreat数据集上的Dice得分达到0.9037（95%置信区间：0.880–0.924），在MOTUM数据集上达到0.7676（95%置信区间：0.727–0.804）。在MOTUM数据集上，相对于nnU-Net的配对Dice差值为+0.0802（95%置信区间：0.034–0.126）。次要的协调化hNCE和整体异常终点分别取得了0.8426和0.8729的外部Dice得分；这些投影代表的是跨数据集的操作层面协调一致，而非底层组织区室的生物学等价。在病灶层面，外部敏感性达到0.8648，每名患者误报病灶数为1.0842，而小病灶敏感性从nnU-Net的0.7061提升至0.8063。病灶层面的Dice保持在0.7246，表明尽管病灶检测有所改进，但仍存在残余分割误差。这些发现支持了在锁定式外部评估下将本体感知投影与病灶特异性训练相结合的可行性，而更广泛的泛化能力则需要在额外的独立和前瞻性队列中进行验证。