面向医学图像分割的循环上下文验证
计算机视觉与模式识别
2025-07-14 v1
摘要
原语学习（ICL）正日益成为实现通用医学图像分割的有前景技术，各种感兴趣对象跨影像模态均可使用单一模型进行分割。然而，其性能对查询图像与上下文图像-掩码对的对齐方式高度敏感。在临床场景中，标注医学图像稀缺，使得选择最优上下文对非常具有挑战性，对上下文数据进行精细调谐的基础 ICL 模型不可行，由于计算成本和灾难性遗忘风险。为此，我们提出 Cycle Context Verification（CCV），一种新型框架，通过使预测的自我验证来增强 ICL-based 医学图像分割中的上下文对齐。具体而言，CCV 采用循环管道，其中模型最初生成查询图像的分割掩码。随后，交换查询图像和一个上下文对的角色，使模型通过预测原始上下文图像的掩码来验证其预测。此二次预测的准确性作为初始查询分割的隐式度量。引入查询特定的提示来改变查询图像并更新以提高该度量，从而增强查询与上下文对之间的对齐。我们在七个医学图像分割数据集上使用两个 ICL 基础模型进行评估，结果表明其优于现有方法。我们的结果突显了 CCV 增强 ICL-based 分割能力的作用，使其成为通用医学图像分割的稳健解决方案。代码将在 https://github.com/ShishuaiHu/CCV 上提供。
引用
@article{arxiv.2507.08357,
title = {Cycle Context Verification for In-Context Medical Image Segmentation},
author = {Shishuai Hu and Zehui Liao and Liangli Zhen and Huazhu Fu and Yong Xia},
journal= {arXiv preprint arXiv:2507.08357},
year = {2025}
}
备注
MICCAI 2025