CLoE：用于缺失模态分割的专家一致性学习
计算机视觉与模式识别
2026-03-11 v1 人工智能
机器学习
摘要
多模态医学图像分割常面临推断时的缺失模态问题，这会导致模态专家之间意见不一致，使融合不稳定，尤其是在小型前景结构上。我们提出了一致性学习的专家 (CLoE)，一个以一致性为导导的框架，用于缺失模态分割，能够在所有模态都可用时保持优异性能。CLoE 将鲁棒性表述为决策级别的专家一致性控制，引入双分支专家一致性学习目标。模态专家一致性 enforces 所有专家预测之间的全局一致性，以减少部分输入下的案例级漂移；而区域专家一致性 则强调对临床关键前景区域的一致性，以避免背景主导的正则化。我们进一步将一致性得分映射到模态可靠性权重，使用轻量级门控网络实现可靠性感知的特征重标定。广泛的BraTS 2020 和 MSD Prostate 实验表明，CLoE 在不完整的多模态分割中超越了当前最先进的方法，同时展现出强大的跨数据集泛化能力，并提高了对临床关键结构的鲁棒性。
引用
@article{arxiv.2603.09316,
title = {CLoE: Expert Consistency Learning for Missing Modality Segmentation},
author = {Xinyu Tong and Meihua Zhou and Bowu Fan and Haitao Li},
journal= {arXiv preprint arXiv:2603.09316},
year = {2026}
}