每次点击都是训练信号！LeCor让3D肺肿瘤分割Dice从0.787飙至0.827，三轮修正顶七轮
LeCor: Learning to Be Corrected by Meta-Learned Test-Time Training for Interactive 3D Lung-Tumour Segmentation
📖 AI 总结
本文提出LeCor，一种面向交互式三维肺部肿瘤分割的元学习测试时训练方法。研究背景是，在CT影像上勾画肺肿瘤占放疗计划的大量时间，而SAM 3等可提示基础模型虽能通过会话记忆记录每次修正并影响后续切片，但模型权重保持固定，导致未被标注切片的分割精度在六轮修正后不再提升。作者在来自五个公开CT队列的690例测试数据上验证，微调SAM 3可使单点提示的Dice从0.298提升至0.757，七轮修正后仅达0.765。为此，LeCor将每次修正视为训练信号，为每个病例重置小型适配器并进行元学习，使一次点击驱动的梯度更新即可改善未点击切片。在133例跨至少八层切片的测试中，LeCor将七轮修正后的Dice从0.787提升至0.827，未达0.80的病例数从47降至27，并在三轮修正内达到微调模型七轮的精度，显著提升了交互分割效率与准确性。
🔑 关键词速览
| SAM 3 | 一种可提示的基础分割模型，支持通过点、框等提示进行交互式图像分割。 |
| Dice | 衡量分割结果与真实标注重叠程度的常用指标，值越高表示分割越准确。 |
| Test-Time Training (TTT) | 在测试阶段利用测试样本进行模型自适应训练的技术，无需重新训练整个模型。 |
| Meta-Learning | 元学习，旨在让模型学会如何学习，使其能通过少量梯度步骤快速适应新任务。 |
| Case Adapters | 针对每个病例单独设置的小型可训练模块，用于在测试时快速适配该病例。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅