知识卡片：AuricularWorld——层级动作引导的世界模型用于CT耳廓结构精细分割

英文标题：AuricularWorld: Hierarchical Action-Guided World Modeling for Fine-Grained Auricular Structure Segmentation from CT Scans

英文关键词：World Model; Hierarchical Action; Latent State-Space Model; Fine-Grained Segmentation; Auricular Structure; CT

一句话结论

AuricularWorld 提出一种基于潜空间世界模型的分割框架，通过在编码器-解码器结构中引入确定性递归状态空间模型，以层级解剖动作迭代细化潜表示，从而在不依赖真值引导的推理过程中提升CT影像中细小、不规则且相互重叠的耳廓结构分割精度，HD95降低超过43%。

事件概述或研究问题

耳廓结构在CT影像中只占据很小的图像区域，软骨边界高度不规则，且软骨与周围软组织之间的界面往往模糊不清。临床标注还可能同时包含“含软骨及邻近皮肤的复合结构”和“仅软骨区域”，导致嵌套和重叠的标签。传统前馈式分割网络难以处理这种复杂解剖结构，因此需要一种能够进行迭代解剖推理的建模方法。

方法/产品要点

• 基于编码器-解码器架构，在中间潜空间引入确定性递归状态空间模型。
• 将多尺度编码器特征与部分解码表示融合，构成结构观测，用于初始化潜变量动力学。
• 推理阶段执行三步潜在该过程（latent rollout），无需真值引导。
• 通过层级解剖动作更新递归状态，逐步细化潜表示。
• 最终将潜轨迹投影回解码器，并结合高分辨率特征得到分割结果。
• 设计“平衡层级动作目标”（balanced hierarchical action objective），缓解前景稀疏、解剖组缺失以及“添加/移除”操作不平衡等问题。

主要结果或产业意义

在针对CT中细小、不规则且重叠的耳廓结构分割实验中，该框架持续提升分割精度，并将HD95降低超过43%。这表明潜世界模型推理对具有挑战性的医学图像分割任务有效。

为什么重要

这是将世界模型思想用于医学图像精细分割的探索，突破了传统前馈网络“单次前向预测”的局限。AuricularWorld 通过潜空间中的迭代解剖推理，为处理标注复杂、边界模糊、目标极小且重叠的医学结构提供了新思路。

局限与不确定性

• 摘要中未说明具体训练/测试数据集、标注来源、患者数量及与哪些基线方法比较。
• 未报告Dice系数或平均表面距离等常用分割指标的具体数值，仅给出HD95相对减少量。
• 方法在非耳廓或其他医学影像任务上的泛化能力待核实。
• 三步潜展开的步数选择依据、推理耗时与计算开销待核实。

可用于图书/PPT/简报的角度

• 世界模型不只用于视频预测与决策，也可以作为医学图像分割的“内部推理器”。
• 如何用“层级动作”来描述解剖结构的添加/移除过程，是潜空间动态建模的一种直观设计。
• 针对小目标、重叠标签、边界模糊等医学影像痛点，AuricularWorld 展示了一种可迭代优化的分割范式。

原始材料

• 标题：AuricularWorld: Hierarchical Action-Guided World Modeling for Fine-Grained Auricular Structure Segmentation from CT Scans
• arXiv ID：2607.28487v1
• 作者：Jingwen Yang, Senmao Wang, Luoyao Kang, Runmeng Cui, Keying Zhang, Yunjia Bao, Haifan Gong, Lin Lin, Haiyue Jiang
• 提交/更新日期：2026-07-30T16:38:30Z
• 分类：cs.CV
• 摘要链接：https://arxiv.org/abs/2607.28487v1
• PDF链接：https://arxiv.org/pdf/2607.28487v1