DAFNE联邦框架医学图像分割模型预训练与微调工具Dante
图像与视频处理
2026-05-06 v1
摘要
适应预训练深度学习分割模型以适应新的临床领域是医学图像分析中持久的挑战，尤其是在目标站点标注数据稀缺的情况下。参数高效微调策略提供了原则解决方案，通过有选择地更新受控的参数子集来保持先前获取的表示，同时减少在小数据集上的过拟合风险。本文介绍DAfNe TrainEr(Dante)，一个集成到DAFNE联邦分割生态系统作为专用训练和微调后端的开源模块。Dante支持从零训练并自动配置网络结构、可配置的层冻结计划，并通过通道级因式分解将Low-Rank Adaptation(LoRA)扩展到N维卷积层。为验证该模块，评估了渐进解冻(GU)和LoRA在现实的跨域MRI传递情景中，涵盖腹部器官分割和脑白 matter lesion 分割，在完全数据和few-shot条件下。GU相较于从零训练，使达到 85% 峰值性能所需的 epoch数最多缩减 63.6%，而LoRA在数据丰富的情景下实现了 Dice 相似系数最高达 0.957。两种策略在所有测试领域内均优于基线，随着更丰富的预训练数据集而放大。这些结果验证了Dante作为医学图像分割领域自下而上微调模块，适用于真实临床部署条件。Dante代码地址为 https://github.com/dafne-imaging/dafne-torch-trainer，DAFNE生态系统项目地址为 https://github.com/dafne-imaging。
引用
@article{arxiv.2605.03602,
title = {Dante: An Open Source Model Pre-Training and Fine-Tuning Tool for the Dafne Federated Framework for Medical Image Segmentation},
author = {Giuseppe Timpano and Dibya Kumari and Maria Eugenia Caligiuri and Francesco Santini},
journal= {arXiv preprint arXiv:2605.03602},
year = {2026}
}