PSAT：通过成人数据增强和迁移学习的儿科分割方法-计算机科学-儿科医学影像-迁移学习.pdf

PSAT：通过成人数据增强和迁移学习的儿科分割

方法

TristanKirscher,SylvainFaisan,XavierCoubez,Loris

Barrier,andPhilippeMeyer

InstitutdecancérologieStrasbourgEurope(ICANS),Strasbourg,France

ICubeLaboratory,CNRSUMR7357,UniversityofStrasbourg,France

tristan.kirscher@unistra.fr

本摘要儿科医学影像由于与成人相比存在显著的解剖和发育差异，呈现出

译独特的挑战。直接应用在成人数据上训练的分割模型通常会产生次优性

中能，特别是在小或快速发展的结构方面。为了解决这些挑战，提出了几种

利用nnU-Net框架的战略，沿四个关键轴有所不同：(i)从中得出训练计

1划（包括网络架构）的手纹数据集（成人、儿科或两者的组合）；(ii)学习集

v

4（成人、儿科或混合），(iii)数据增强参数，以及(iv)迁移学习方法（微调与

6持续学习）。在此工作中，我们介绍了PSAT（通过成人增强和迁移学习的

7儿科分割方法），一项系统研究，探讨了这些轴对分割性能的影响。我们在

5

0两个儿科CT数据集上对标得出的战略，并将它们与最先进的方法进行比

.

7较，包括商业放疗解决方案。PSAT突出了关键的陷阱并提供了改进儿科

0分割的操作性见解。我们的实验表明，基于成人手纹数据集的训练计划与

5

2儿科解剖结构不符——导致显著性能下降，特别是在细分精细结构时——

:并且持续学习策略缓解了机构转移，从而增强了在多样化的儿科数据集中

v

i的一般化能力。代码可在/ICANS-Strasbourg/PSAT

x

r获取。

a

Keywords:儿科分割·年龄偏差·域适应·迁移学习

1介绍

深度学习彻底改变了医学图像分割，但其在儿科成像中的应用仍然特别

具有挑战性。儿童扫描显示出与成人显著的解剖差异——包括强大的器官体

Correspondingauthor:tristan.kirscher@unistra.fr

Note:ThisworkhasbeenacceptedtoMICCAI2025.Thefinalversionwillbepublishedinthe

LectureNotesinComputerScience(LNCS)seriesbySpringer.

2T.Kirscheretal.

图1:成人前列腺（橙色，30厘米）、缩小比例的成人前列腺（具有收缩，3厘