Multi-scale Cascaded Foundation Model for Whole-body Organs-at-risk Segmentation
Rui Hao, Dayu Tan, Qiankun Li, Chunhou Zheng, Weimin Zhong and Zhigang Zeng
风险器官(OAR)的精确分割对于安全和精确的放疗和手术至关重要。 大多数现有研究仅细分一组有限的器官或区域,缺乏对OARs分割的系统处理。 我们展示了一个多尺度的级联融合网络(MCFNet),它聚合了跨多个尺度和分辨率的功能。 MCFNet由用于下采样路径的Sharp Extraction Backbone和用于跳过连接融合的灵活连接骨干组成,在两个阶段加强表示学习。 这种设计改善了边界定位,并保留了精细的结构,同时保持计算效率,即使在低分辨率输入上也能实现可靠的性能。 在NVIDIA A6000 GPU上使用来自10个数据集的671名患者的36,131个图像掩模对进行实验,显示出一致的稳健性和强大的跨数据集泛化。 自适应损失汇总策略进一步稳定优化,并在准确性和培训效率方面产生额外收益。 通过广泛的验证,MCFNet优于现有方法,擅长器官分割,并为计算机辅助诊断提供可靠的图像引导支持。 我们的解决方案旨在提高放射治疗和手术的精度和安全性,同时支持个性化治疗,推进现代医疗技术。 该代码已在GitHub上提供:https://github.com/Henry991115/MCFNet。
Accurate segmentation of organs-at-risk (OARs) is vital for safe and precise radiotherapy and surgery. Most existing studies segment only a limited set of organs or regions, lacking a systematic treatment of OARs segmentation. We present a Multi-scale Cascaded Fusion Network (MCFNet) that aggregates features across multiple scales and resolutions. MCFNet consists of a Sharp Extraction Backbone for the downsampling path and a Flexible Connection Backbone for skip-connection fusion, strengthening ...
