基于隐式时空混合与 Sim2Real 语义注入的数据高效脑膜肿瘤分割
计算机视觉与模式识别
2026-01-27 v1 人工智能
摘要
医学图像分割的性能正由数据利用效率而非原始数据容量所决定。对于复杂病灶如脑膜肿瘤，准确分割要求模型充分利用有限高质量标注数据中潜在信息。为最大化现有数据集的价值，我们提出一种新型双增强框架，融合空间流形扩展与语义对象注入。具体而言，我们利用隐式神经表示(INR)建模连续速度场。不同于先前方法，我们对积分位移场进行线性混合，在位移空间中进行插值，从而高效生成解剖学上合理的变体。该方法允许从小套锚点集合中广泛探索结构多样性。进一步，我们引入 Sim2Real 病灶注入模块。该模块通过将病灶纹理移植到健康解剖背景中，构建高保真度模拟域，有效弥合合成数据增强与真实病理之间的差距。针对混合数据集进行的全面实验表明，我们的框架显著提升了 nnU-Net 与 U-Mamba 等最新模型的数据效率与鲁棒性，为高质量医学图像分析提供了一种在有限标注预算下实现卓越性能的强大策略。
引用
@article{arxiv.2601.17031,
title = {Data-Efficient Meningioma Segmentation via Implicit Spatiotemporal Mixing and Sim2Real Semantic Injection},
author = {Yunhao Xu and Fuquan Zong and Yexuan Xing and Chulong Zhang and Guang Yang and Shilong Yang and Xiaokun Liang and Juan Yu},
journal= {arXiv preprint arXiv:2601.17031},
year = {2026}
}