COME：面向异构超声数据集的双结构语义协作混合专家通用皮肤病灶检测
计算机视觉与模式识别
2025-08-14 v1 人工智能
计算与语言
摘要
传统的单数据集训练在面对新数据分布时往往难以实现，尤其是在超声 (US) 图像分析中由于数据有限、声学阴影和散粒噪声。因此，构建面向多异构 US 数据集的通用框架至关重要。然而，一个关键挑战是：如何有效缓解数据集间的相互干扰，同时保留数据集特定的判别特征以实现稳健的下游任务？以往方法要么采用单一源特定解码器，要么采用域适应策略，但这些方法在应用于其他域时会出现性能下降。鉴于此，我们提出一种通用协作混合异构源特定专家 (COME)。具体而言，COME 建立双结构语义共享专家以创建通用表示空间，然后通过提供互补特征与源特定专家协作，以提取判别特征。这种设计通过利用跨数据集经验分布并为小批量或不可见数据场景提供通用 US 先验，实现了稳健的泛化。广泛的实验在三种评估模式（单数据集、器内器外集成数据集）下表明 COME 的优势，显著提升了超过最新方法的平均 AP。我们的项目地址：https://universalcome.github.io/UniversalCOME/。
引用
@article{arxiv.2508.09886,
title = {COME: Dual Structure-Semantic Learning with Collaborative MoE for Universal Lesion Detection Across Heterogeneous Ultrasound Datasets},
author = {Lingyu Chen and Yawen Zeng and Yue Wang and Peng Wan and Guo-chen Ning and Hongen Liao and Daoqiang Zhang and Fang Chen},
journal= {arXiv preprint arXiv:2508.09886},
year = {2025}
}
备注
ICCV 2025