Краткое содержание

arXiv:2511.12801v1 Тип объявления: новое Аннотация: Точное сегментирование опухолей мозга имеет решающее значение для диагностики, планирования хирургического вмешательства и мониторинга лечения. Глубокое обучение добилось значительных успехов на эталонных наборах данных, однако два аспекта ограничивают клиническое применение: отсутствие оценок неопределенности ошибок и невозможность сегментации здоровых структур мозга вокруг опухоли, необходимой для хирургической операции. Современные методы неспособны объединить локализацию опухоли с анатомическим контекстом и не предоставляют показателей уверенности. В данной работе представлен подход, учитывающий неопределенность, который расширяет архитектуру nnUNet дополнительным каналом для оценки пиксельной (воксельной) неопределённости. Обученный на наборе данных BraTS2023, предложенная архитектура демонстрирует коэффициент корреляции 0.750 и среднеквадратичное отклонение (RMSD) 0.047 для оценки неопределенности без ущерба точности определения границ опухоли. Предсказание неопределенности выполняется за один проход, без привлечения дополнительных сетей или вычислительных ресурсов, способствуя принятию клинических решений. Для учета контекста всего головного мозга предлагается унифицированная модель, объединяющая нормальные и онкологические наборы данных, достигая коэффициента совпадения сегментов (DSC) 0.81 для мозговых структур и 0.86 для опухоли, демонстрируя высокую надежность работы в ключевых областях. Объединяя обе инновационные технологии, мы впервые получаем...