知识卡片：解剖感知的可提示分割与在线交互训练（AUTOPET V）

一句话结论

本文提出一种基于 nnU-Net 家族、结合解剖（器官）监督与在线交互式涂鸦提示的全身病灶分割模型，用于 FDG 和 PSMA PET/CT，在 AUTOPET V 挑战中通过四折交叉验证取得稳定最优性能。

事件概述或研究问题

• 面向 AUTOPET V 挑战，解决 FDG 与 PSMA PET/CT 全身病灶分割问题。
• 核心难点：示踪剂类型（FDG 或 PSMA）在推理时未知；生理性摄取会造成假阳性；单一模型难以同时泛化两种示踪剂。
• 提出两阶段训练策略：预训练获得强初始分割，在线交互阶段学习利用涂鸦（scribble）提示逐步细化预测。

方法/产品要点

• 模型家族：基于 nnU-Net 的系列模型。
• 两阶段训练：
  1. 预训练阶段：产生较强的初始分割结果。
  2. 在线交互阶段：通过交互式涂鸦提示不断优化预测。
• 解剖感知：使用单一共享头从同一特征预测病灶和器官，通过器官监督提供解剖上下文，降低生理性摄取导致的假阳性。
• 示踪剂分类器：由于推理时未提供示踪剂类型，使用图像处理和基于冠状面最大密度投影（MIP）特征的随机森林分类器，将每个病例路由到“FDG+PSMA 组合模型”或“PSMA 专用模型”。

主要结果或产业意义

• 四折交叉验证下，器官监督模型取得最佳且最稳定的性能。
• 交互阶段中，每次提示均使 Dice 分数单调提升（待核实具体数值）。
• PSMA 专用训练在示踪剂维度上取得最强的结果（待核实具体指标）。
• 潜在意义：为 PET/CT 全身病灶分割提供结合解剖先验与交互式修正的自动化流程，有助于减少人工标注工作量并提高临床可用性。

为什么重要

• 与既有相关卡片脉络不同，本文关注医学影像中的基础模型应用，属于“foundation-model”主题下的医学分割场景。
• 增量信息：将可提示分割与在线交互训练结合到 PET/CT 病灶分割中；同时处理 FDG/PSMA 双示踪剂未知问题，通过路由策略和器官监督提升鲁棒性。

局限与不确定性

• 论文尚未提供完整实验数值，如具体 Dice、不同提示次数下的增益、与挑战其他方法对比等，均待核实。
• 交互式训练对临床工作流中的实际使用成本（如标注时间、计算开销）未在摘要中说明，待核实。
• 示踪剂分类器的精度和路由错误对最终分割的影响待核实。
• 该 arXiv 编号和日期（2608.28461v1）较为异常，请核实原始来源真实性。

可用于图书/PPT/简报的角度

• 医学影像分割中“人机交互”如何提升模型性能：一次涂鸦提示逐步改进结果。
• 解剖先验的重要性：用器官监督降低生理性摄取的假阳性。
• 面对未知扫描协议（示踪剂类型）时，如何用轻量分类器做模型路由。

原始材料

• 英文标题：Anatomy-Aware Promptable Segmentation with Online Interactive Training for AUTOPET V
• 英文关键词：PET/CT segmentation; promptable segmentation; interactive training; anatomy-aware; nnU-Net; AUTOPET V
• 来源：arXiv:2608.28461v1 [cs.CV]
  URL: https://arxiv.org/abs/2608.28461v1