EliSeg: Verified Target Construction for Report-Grounded Abnormality Segmentation
EliSeg 是一个用于报告接地异常分割的框架，采用 actor-verify-revise 流程，无需预定义目标身份、提示、点或边界框。在 MIMIC-CXR-ILS 上，EliSeg 持续优于直接分割方法和提取-然后分割级联方法。
Development
- First ReportEliSeg: Verified Target Construction for Report-Grounded Abnormality SegmentationarXiv cs.AI
- Current AssessmentEliSeg 代表了医学影像分析中从监督分割向报告引导分割的转变，这可能降低对精细标注的需求，并提高临床工作流的自动化程度。如果该技术成熟，可能影响医学影像 AI 产品的开发方向，推动更多基于自然语言报告的多模态模型。Agent Pulse · analysis
EliSeg 提出了一种新的医学影像分割方法，解决放射学报告中异常发现的不确定性。传统方法依赖目标身份或空间提示作为隐藏的目标预言机，而 EliSeg 直接从原始报告中确定目标资格、基数和发现到掩码的对应关系。其框架包括一个语法约束的 Actor 提出目标槽和掩码，一个独立的仅文本 Verifier 重建符合条件的发现清单，以及一个 Revision 步骤在目标结构不一致时选择性重新执行 Actor。在 MIMIC-CXR-ILS 数据集上的实验表明，EliSeg 在性能上优于直接分割方法和提取-然后分割级联方法。
EliSeg 的核心创新在于将目标构建与掩码生成集成，通过语法约束的 Actor 和独立的仅文本 Verifier 之间的交互，实现了无需预定义目标的分割。这种设计可能减少对人工标注的依赖，并提高模型对复杂报告的理解能力。下一步可验证的信号是：EliSeg 是否能在其他医学影像数据集（如 CT 或 MRI）上保持优势，以及其性能提升是否与报告的语言复杂度相关。
EliSeg 代表了医学影像分析中从监督分割向报告引导分割的转变，这可能降低对精细标注的需求，并提高临床工作流的自动化程度。如果该技术成熟，可能影响医学影像 AI 产品的开发方向，推动更多基于自然语言报告的多模态模型。
EliSeg 可能降低医学影像分割模型的部署成本，因为无需为每个目标提供精确的提示或边界框。这有助于开发更自动化的诊断辅助工具，提高放射科医生的工作效率，并可能加速医学影像 AI 在临床中的采用。
未来，EliSeg 可能扩展到其他医学影像模态和更广泛的临床报告，甚至可能应用于非医学领域的图像分割任务。其验证-修订机制也可能启发其他需要从文本生成结构化输出的任务。