R$^{2}$Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection
Created by
Haebom
Category
Empty
저자
Shuaike Shen, Ke Liu, Jiaqing Xie, Shangde Gao, Chunhua Shen, Ge Liu, Mireia Crispin-Ortuzar, Shangqi Gao
개요
의료 영상 분할을 위한 파운데이션 모델이 분포 외(OOD) 변화에 취약하여 종종 OOD 종양에서 단편적인 오탐을 생성하는 문제를 해결하기 위해, R²Seg라는 훈련이 필요 없는 프레임워크를 제안합니다. R²Seg는 두 단계의 Reason-and-Reject 프로세스를 통해 작동합니다. 첫째, Reason 단계는 LLM 기반 해부학적 추론 플래너를 사용하여 장기 앵커를 찾고 다중 스케일 ROI를 생성합니다. 둘째, Reject 단계는 이러한 ROI 내에서 고정된 파운데이션 모델(BiomedParse)에서 생성된 후보에 두 표본 통계 검정을 적용합니다. 이 통계적 거부 필터는 정상 조직과 유의미하게 다른 후보만 유지하여 오탐을 효과적으로 억제합니다. R²Seg는 파라미터 업데이트가 필요 없어 제로 업데이트 테스트 시간 증강과 호환되며, 치명적인 망각을 방지합니다. 다중 센터 및 다중 모달 종양 분할 벤치마크에서 R²Seg는 강력한 기준선 및 기존 파운데이션 모델보다 Dice, 특이성 및 민감성을 크게 향상시킵니다.
