CrossPan：面向跨序列胰腺 MRI 分割与泛化的综合基准
计算机视觉与模式识别
2026-04-22 v1
摘要
自动胰腺分割是腹部 MRI 分析的基础任务，但训练于单一 MRI 序列的数据集的深度学习模型常在应用于另一序列时会 catastrophic 失败——这一挑战已获得很少的系统性调查。我们引入 CrossPan，一个由 1,386 份 3D 扫描构成的多机构基准，覆盖三个常规获取的序列（T1 加权、T2 加权和失相序列），来自八个中心。我们的实验揭示了三个关键发现。第一，跨序列领域迁移的偏移远远严重于跨中心差异：在域内达到 Dice 分数 >0.85 的模型，在跨序列迁移后会崩塌至接近零 (<0.02)。第二，领先的领域泛化方法在这些由物理驱动的对比度反转下几乎无显著益处，然而像 MedSAM2 这样的基础模型通过对比度不变的形状先验，能保持适度的零样本性能。第三，在稳定的强度分布条件下，半监督学习可带来提升，但在组织内部强度变异性大的序列上会变得不稳定。这些结果确立跨序列泛化——而非模型架构或中心多样性——为临床可部署胰腺 MRI 分割的首要障碍。数据集和代码已在 https://crosspan.netlify.app/ 提供。
引用
@article{arxiv.2604.18797,
title = {CrossPan: A Comprehensive Benchmark for Cross-Sequence Pancreas MRI Segmentation and Generalization},
author = {Linkai Peng and Cuiling Sun and Zheyuan Zhang and Wanying Dou and Halil Ertugrul Aktas and Andrea M Bejar and Elif Keles and Tamas Gonda and Michael B Wallace and Zongwei Zhou and Gorkem Durak and Rajesh N Keswani and Ulas Bagci},
journal= {arXiv preprint arXiv:2604.18797},
year = {2026}
}
备注
Accepted to MIDL 2026