EliSeg: 보고서 기반 이상 영역 분할을 위한 검증된 타겟 구성

EliSeg: Verified Target Construction for Report-Grounded Abnormality Segmentation

방사선학 보고서는 임상 관찰 내용을 설명하지만, 실행 가능한 분할 대상 정보를 명시하지 않습니다. 보고서에는 현재 존재하는 소견, 부정적인 소견, 과거 소견, 불확실한 소견 또는 관련 없는 내용이 포함될 수 있으며, 여러 개의 유효한 이상 영역이 동시에 존재할 수도 있습니다. 기존의 분할 방법은 이러한 모호함을 대부분 무시하고, 추론 전에 타겟 식별자나 공간적 힌트를 받아 '숨겨진 타겟 오라클'처럼 작동합니다. 본 연구에서는 보고서 기반 이상 영역 분할 문제를 다루며, 모델이 필터링되지 않은 보고서로부터 직접적으로 타겟의 적합성, 개수 및 소견-마스크 대응 관계를 파악해야 합니다. 우리는 **EliSeg**이라는 '생성-검증-수정' 프레임워크를 제안합니다. 문법에 제약된 생성자는 타겟 슬롯과 마스크를 제안하고, 독립적인 텍스트 기반 검증자는 적합한 소견 목록을 재구성하며, 수정 단계는 생성자와 검증자의 타겟 구조가 일치하지 않을 경우 공유되는 생성자를 선택적으로 다시 실행합니다. EliSeg은 미리 정의된 타겟 식별자, 소견 힌트, 포인트 또는 경계 상자가 필요하지 않습니다. MIMIC-CXR-ILS 데이터셋에 대한 실험 결과, EliSeg이 기존의 직접 분할 방법 및 추출 후 분할 방식보다 모든 이상 영역에서 일관되게 더 우수한 성능을 보이며, 부적합한 보고서 언급에 대한 마스크 생성을 효과적으로 억제합니다. 추가 분석 결과, 검증과 수정 단계가 상호 보완적인 역할을 한다는 것을 확인했으며, CheXlocalize 데이터셋에 대한 평가를 통해 EliSeg의 외부 데이터셋으로의 효과적인 전이 가능성을 입증했습니다. 코드: https://github.com/Maybach-dream/EliSeg

Radiology reports describe clinical observations but do not specify executable segmentation targets. They may contain present, negated, prior,uncertain, or irrelevant findings, while multiple valid abnormalities may coexist. Existing segmentation methods largely bypass this ambiguity by receiving a target identity or spatial prompt before inference, which acts as a hidden target oracle. We study report-grounded abnormality segmentation, where a model must determine target eligibility, cardinality, and finding-to-mask correspondence directly from an unfiltered report before delineating the corresponding regions. We propose \textbf{EliSeg}, an atcor--verify--revise framework that integrates target construction with mask generation. A grammar-constrained Actor proposes target slots and masks, an independent text-only Verifier reconstructs the eligible finding inventory, and Revision selectively re-executes the shared Actor when their target structures disagree. EliSeg requires no predefined target identity, finding prompt, point, or bounding box. Experiments on MIMIC-CXR-ILS show that EliSeg consistently outperforms direct segmentation methods and extract-then-segment cascades across findings, while effectively suppressing masks for ineligible report mentions. Ablation studies confirm the complementary roles of verification and revision, and evaluation on CheXlocalize demonstrates effective transfer of the EliSeg to an external dataset.Code is available at https://github.com/Maybach-dream/EliSeg.