LNQ Challenge 2023: Learning Mediastinal Lymph Node Segmentation with a Probabilistic Lymph Node Atlas

淋巴结转移的评估在实现精确癌症分期中起着至关重要的作用，影响着随后关于治疗选择的决策。由于存在不清晰的边界和各种大小和形态特征，淋巴结检测面临着挑战，这使得它成为一项资源密集型的过程。作为LNQ 2023 MICCAI挑战的一部分，我们提出使用解剖学先验作为工具来解决纵隔淋巴结分割中存在的挑战，结合挑战训练数据的部分注释。使用所有建议的修改的模型集合得分为0.6033，分割出了57%的基准淋巴结，而仅在CT上训练时仅有27%。通过在损失加权和后处理中结合概率淋巴结图谱，分割准确性得到了显著提高。通过过采样完全注释的数据来解决挑战训练数据的部分注释，以及添加额外的数据增强来解决CT图像和淋巴结外观的高异质性，实现了最大的性能提升。我们的代码可以在https://github.com/MICAI-IMI-UzL/LNQ2023上获得。

论文旨在解决淋巴结转移分析中存在的困难，如不清晰的边界和形态特征多样性，以及训练数据的部分注释等问题。

论文提出了使用解剖先验作为工具来解决淋巴结分割中的挑战，并结合部分注释的训练数据。该方法包括使用概率淋巴结图谱进行损失加权和后处理，以及对完全注释的数据进行过采样和数据增强等措施。

论文在LNQ 2023 MICCAI挑战中展示了该方法的有效性，Dice分数达到0.6033，可以分割出57%的真实淋巴结。此外，研究人员还开源了他们的代码，并使用了多个数据集进行了实验，为未来的淋巴结分割研究提供了参考。

在相关研究方面，最近的一些研究包括：“Lymph Node Segmentation in CT Using 3D FPN and Cascaded 3D DenseNet”和“Automatic Lymph Node Detection and Segmentation Using Deep Learning for Head and Neck Cancer MRI”。