MedElevator
Войти в исследования DOI 10.1016/j.compbiomed.2025.110919
ConfLUNet: Сегментация множественных склерозных повреждений в присутствии слияний повреждений.
Аннотация
Точная сегментация уровня поражения на МРТ имеет решающее значение для многократной склерозовой диагностики, прогнозирования и мониторинга заболеваний. Вместе с тем нынешняя практика оценки в значительной степени основывается на семантической сегментации после обработки с соответствующими компонентами (CC), которые не могут отделять друг от друга совокупное повреждение (агрегаты слияний повреждений, CLU) из-за зависимости от пространственной связи. Для устранения этой несогласованности с клиническими потребностями мы внедряем официальные определения CLU и связанные с ними показатели обнаружения CLU, и включаем их в систему оценки сегментации исчерпывающих примеров. В этих рамках мы систематически оцениваем CC и послепроцессорный автоматизированный сплыт (ACLS) - единственные существующие методы сегментации случаев поражения в MS. Наш анализ показывает, что CC постоянно недооценивает количество CLU, в то время как ACLS, как правило, перерасщепляет повреждения, что приводит к завышенным значениям повреждений и снижению точности. Для преодоления этих ограничений мы предлагаем ConfLUNet, первую систему сегментации в конце-концов для поражения MS. CompLUNet совместно оптимизирует обнаружение повреждений и выделение их из единого изображения FLAIR. Обучение 50 пациентам, ConfLUNet значительно превышает показатели CC и ACLS на наборе испытаний (n = 13) в случае сегментации (Panopical Profile: 42,0% против 37,5%/36,8%; p = 0,017/0,005) и обнаружения повреждений (F1: 67,3% против 61,6%/59,9%; p = 0,028/0,013). Для обнаружения CLU ConfLUNet достигает наивысшего уровня текстового F1CLU (81,5 процента), улучшает отзыв по отношению к CC (+12,5%, p = 0,015) и точности по отношению к ACLS (+31,2 процента, p = 0,003). Комбинируя строгие определения, новые метрики, по которым можно получить информацию о CLU, воспроизводимую систему оценки и первую специальную модель, эта работа закладывает основу для сегментации случаев поражения в MS.
Название и аннотация на языке оригинала
ConfLUNet: Multiple sclerosis lesion instance segmentation in presence of confluent lesions.
Accurate lesion-level segmentation on MRI is critical for multiple sclerosis (MS) diagnosis, prognosis, and disease monitoring. However, current evaluation practices largely rely on semantic segmentation post-processed with connected components (CC), which cannot separate confluent lesions (aggregates of confluent lesion units, CLUs) due to reliance on spatial connectivity. To address this misalignment with clinical needs, we introduce formal definitions of CLUs and associated CLU-aware detection metrics, and include them in an exhaustive instance segmentation evaluation framework. Within this framework, we systematically evaluate CC and post-processing-based Automated Confluent Splitting (ACLS), the only existing methods for lesion instance segmentation in MS. Our analysis reveals that CC consistently underestimates CLU counts, while ACLS tends to oversplit lesions, leading to overestimated lesion counts and reduced precision. To overcome these limitations, we propose ConfLUNet, the first end-to-end instance segmentation framework for MS lesions. ConfLUNet jointly optimizes lesion detection and delineation from a single FLAIR image. Trained on 50 patients, ConfLUNet significantly outperforms CC and ACLS on the held-out test set (n = 13) in instance segmentation (Panoptic Quality: 42.0% vs. 37.5%/36.8%; p = 0.017/0.005) and lesion detection (F1: 67.3% vs. 61.6%/59.9%; p = 0.028/0.013). For CLU detection, ConfLUNet achieves the highest textF1CLU (81.5%), improving recall over CC (+12.5%, p = 0.015) and precision over ACLS (+31.2%, p = 0.003). By combining rigorous definitions, new CLU-aware metrics, a reproducible evaluation framework, and the first dedicated end-to-end model, this work lays the foundation for lesion instance segmentation in MS.
Предметные рубрики MeSH
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.