发表机构
Johns Hopkins University; Harvard Medical School; Massachusetts General Hospital; Jagiellonian University; Stanford University; Warmian-Masurian Cancer Center; University of California, San Francisco; Johns Hopkins Medicine（约翰斯·霍普金斯大学; 哈佛医学院; 马萨诸塞总医院; 雅盖隆大学; 斯坦福大学; 瓦尔米亚-马祖里癌症中心; 加利福尼亚大学旧金山分校; 约翰斯·霍普金斯医学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
Merlin Plus是首个包含9个器官放射科医生肿瘤掩膜的大规模CT数据集，通过报告驱动的主动学习框架生成掩膜，并附带纵向元数据，以解决多癌种分割掩膜稀缺问题，支持多器官癌症检测、分割和纵向分析。
AI 中文摘要
计算机断层扫描（CT）中的多癌种分割从根本上受到不同器官肿瘤掩膜稀缺性的限制。我们提出了Merlin Plus，这是首个包含放射科医生创建的9个器官肿瘤掩膜的大规模CT数据集。Merlin Plus通过增加1,153个逐体素肿瘤掩膜和纵向元数据扩展了Merlin数据集。为了创建这些肿瘤掩膜，我们开发了一个基于报告的活动学习框架，其中放射学报告识别肿瘤病例以供标注，并支持肿瘤分割模型的训练。该模型生成初始掩膜，放射科医生审查并修正以产生最终掩膜，从而在保持高质量标注的同时减少标注负担。除了肿瘤掩膜，Merlin Plus中的纵向元数据支持癌症进展的时间建模。通过直接解决多癌种分割掩膜有限这一主要瓶颈，Merlin Plus支持CT中可扩展的多器官癌症检测、分割和纵向分析。数据集可在以下网址获取：this https URL
英文摘要
Multi-cancer segmentation in computed tomography (CT) is fundamentally limited by the scarcity of tumor masks across different organs. We present Merlin Plus, the first large-scale CT dataset with radiologist-created tumor masks across 9 organs. Merlin Plus extends the Merlin dataset by adding 1,153 per-voxel tumor masks and longitudinal metadata. To create these tumor masks, we developed a report-based active-learning framework in which radiology reports identify tumor cases for annotation and support training of a tumor segmentation model. The model generates initial masks, which radiologists review and correct to produce the final masks, reducing annotation burden while maintaining high-quality annotations. Besides tumor masks, the longitudinal metadata in Merlin Plus enables temporal modeling of cancer progression. By directly addressing the major bottleneck of limited multi-cancer segmentation masks, Merlin Plus supports scalable multi-organ cancer detection, segmentation, and longitudinal analysis in CT. Dataset is available at: https://github.com/MrGiovanni/MerlinPlus
CommentsMICCAI 2026
