CRISP：基于排名引导的迭代压縮，用于分布迁移下的鲁棒医学图像分割
计算机视觉与模式识别
2026-04-08 v1
摘要
医学成像中的分布迁移仍是临床转化医学AI的核心瓶颈。未能加以解决会导致在不可见环境中性能严重下降，并加剧健康不平等。现有方法的分布适应不具备根本优势，因其依赖通过模拟迁移或伪监督来穷尽预定义可能性。此类策略在开放且不可预测的现实世界中难以应对，因分布迁移实际上是无限的。为此，我们提出一种称为"正区域排名稳定性"的经验法则，其表述为：在分布迁移下，对正体素的预测概率的相对排名保持稳定。在此原则指导下，我们提出CRISP框架，该框架无需目标域信息，参数自由，模型中立。CRISP是首个基于排名而非概率进行分割的框架。CRISP通过潜在特征扰动模拟分布迁移下的模型行为，其中体素概率排名显示两种稳定模式：持续保持高概率的区域(根据该原则被判定为可能的阳性)以及保持低概率的区域(可安全地分类为阴性)。基于这些模式，我们构建高精度(HP)和高召回率(HR)先验，并在扰动下递归细化。我们随后设计了迭代训练框架，使HP和HR逐渐"压縮"至最终分割。在多中心心脏MRI和基于CT的肺部血管分割上进行的广泛评估表明，CRISP在鲁棒性方面显著优于最先进的方法，在多中心、人口学和模态迁移测试中分别实现了最高达0.14(7.0%改进)、1.90(13.1%改进)和8.39(38.9%改进)的HD95降低。
引用
@article{arxiv.2604.05409,
title = {CRISP: Rank-Guided Iterative Squeezing for Robust Medical Image Segmentation under Domain Shift},
author = {Yizhou Fang and Pujin Cheng and Yixiang Liu and Xiaoying Tang and Longxi Zhou},
journal= {arXiv preprint arXiv:2604.05409},
year = {2026}
}