合成医学影像不再只看像不像:频率一致性加选择性蒸馏,让肿瘤分割和病灶检测一起受益
医学影像合成常被当作“补一张缺失的模态”,但图像逼真并不等于对下游任务有用。一项跨五个公开数据集的研究把合成与任务学习绑在一起:翻译器在训练时用图像自适应的频率一致性约束结构细节,下游网络只在合成图像上的教师模型于带标签样本上优于学生时才接收其特征。在CycleGAN、CUT和SynDiff三种无配对翻译器上,翻译保真度指标均改善;脑肿瘤分割与病灶中心点检测也取得提升,且训练期组件在推理时被移除。
医学影像合成常被当作“补一张缺失的模态”,但图像逼真并不等于对下游任务有用。一项跨五个公开数据集的研究把合成与任务学习绑在一起:翻译器在训练时用图像自适应的频率一致性约束结构细节,下游网络只在合成图像上的教师模型于带标签样本上优于学生时才接收其特征。在CycleGAN、CUT和SynDiff三种无配对翻译器上,翻译保真度指标均改善;脑肿瘤分割与病灶中心点检测也取得提升,且训练期组件在推理时被移除。
该工作提出类别感知非对称加权共形预测(CA-WCP),把潜空间密度比加权与分别校准上下体积界的方向分位数结合,并按验证集假阳性/假阴性率给每个界加上类别特异非对称因子;作者证明其在加权可交换性下保持每类边际覆盖保证,并在 BraTS 2020 与受协变量偏移的合成多器官 CT 上使各类 95% Clopper–Pearson 覆盖区间包含名义 90% 水平,同时区间宽度比对称加权共形预测缩小 8–14%。
该工作提出假设驱动的测试时自适应框架 HD-TTA:在冻结 nnU-Net v2 主干、仅优化测试样本 logits 的前提下,先用 Gatekeeper 判断样本是否需要修正,再并行生成「压缩去噪」与「膨胀恢复」两个几何假设,并用基于纹理一致性的表示引导选择器挑选最安全结果;在 BraTS 2023 GLI 上训练、在儿科 PED 与脑膜瘤 MEN 两个未见目标域上以固定超参数评估,HD-TTA 在保持 Dice 相当的同时改善了安全性指标,在 MEN 上相对最强基线 TCA 将 HD95 从 70.96 mm 降至 64.55 mm(约 6.4 mm),精度从 15.36% 提升至 19.64%。
该工作提出TextCSP,一个在TextBraTS基线上构建的分层文本引导脑肿瘤分割框架,包含文本调制的软级联解码器(按WT→TC→ET由粗到细预测)、子区域感知提示调优(用可学习软提示配合LoRA适配的BioBERT生成三个分支专用文本表示)以及文本语义通道调制器(把文本表示转为通道级细化信号);在TextBraTS数据集上,其平均Dice达87.0%、平均HD95为4.81毫米,较此前最佳结果TextBraTS分别提升1.7%和约6%(0.32毫米),且三个子区域均有一致提升。
该工作提出 SIUM,把每个模态子集的任务表示建模为高斯分布(均值承载任务信息、方差度量缺失证据带来的不确定性),用不确定性感知对齐损失把子集均值拉向全模态锚点并按二者差异放大方差,再用不确定性排序损失约束子集方差高于其超集,在 BraTS 2018 与 2020 的多种缺失模态配置下取得优于 RFNet、mmFormer、M3AE、DC-Seg 的分割精度。
已读完全部报道