LNTransformer: Lung Nodule Transformer for Sparse CT Segmentation
Notice bibliographique
Résumé
Accurate segmentation of lung nodules in computed tomography (CT) scans is challenging due to extreme class imbalance, where nodules appear sparsely among healthy tissue. We introduce a novel two-stage approach for lung nodule segmentation, framing it as an anomaly detection problem. The method consists of two stages: Stage 1 employs a custom Detection Transformer architecture with deformable attention and focal loss to generate region proposals, addressing class imbalance and localizing sparse nodules. In Stage 2, the predicted bounding boxes are refined into segmentation masks using a fine-tuned variant of the Segment Anything Model (SAM). To address sparsity and enhance spatial context, a 5mm Maximum Intensity Projection is applied to improve differentiation between nodules, bronchioles, and vascular structures. The model achieves a stage-2 DiceC of 91.4%, with stage-1 yielding an F1 score of$94.2 \%, 95.2 \%$sensitivity, and 93.3% precision on the LUNA16 dataset despite extreme sparsity, where only 5% of slices contain a nodule, outperforming existing state-of-the-art methods. The model was additionally validated on a privately procured test dataset of 30 patients with significantly different characteristics, achieving a Dice coefficient of 78.3% despite significant distribution drift, demonstrating strong generalization to clinical variability and establishing our approach as the new state-of-the-art for lung nodule segmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».