CoRE：用于持续脑卵巢分割的概念-推理扩张
计算机视觉与模式识别
2026-04-29 v1 人工智能
摘要
精准的 MRI 脑卵巢分割对有效临床诊断和治疗规划至关重要。由于高昂的标注成本和严格的数据隐私法规，通用模型需要采用持续学习 (CL) 以适应不断演变的临床任务，同时不丢失先前获取的知识。然而，现有 CL 方法往往受限于 capacity 或产生 redundant parameter growth，甚至高级动态方法主要依赖 image-perception 策略，难以处理脑组织 imaging 中固有的显著 pathological 与 multimodal 异质性。为此，我们提出概念-推理扩张 (CoRE) 框架，通过整合 visual features 与结构化 concepts 建立 joint decision-making mechanism。通过将 image tokens 与分层 concept library 对齐，CoRE 模拟临床推理以指导 interpretable expert routing 与 demand-based model growth。该协同过程确保模型演化以临床先验为基础，防止 redundant parameter 扩张，同时最大化 knowledge reuse。广泛评估 12 个顺序脑卵巢 MRI 任务表明，CoRE 实现 state-of-the-art 性能，为高效未来 adaptation 提供 high knowledge 起点。其卓越的 few-shot transferability 与临床可解释性进一步验证其在管理 non-stationary 临床数据流方面的有效性。我们的 code 将很快发布。
关键词
引用
@article{arxiv.2604.25376,
title = {CoRE: Concept-Reasoning Expansion for Continual Brain Lesion Segmentation},
author = {Qianqian Chen and Anglin Liu and Jingyang Zhang and Yudong Zhang},
journal= {arXiv preprint arXiv:2604.25376},
year = {2026}
}