F3-Net：面向医学图像全异常分割的通用模型，支持灵活的输入模态要求
计算机视觉与模式识别
2025-07-14 v1
摘要
F3-Net 是一个通用模型，旨在克服临床医学图像分割中对完整多模态输入、泛化性有限以及任务专一性强的持续性挑战。通过灵活的合成模态训练，F3-Net 即使存在缺失的 MRI 序列，仍能保持稳健的性能，利用零图像策略替代缺失的模态，而无需依赖显式合成网络，从而提升现实应用场景的适用性。其统一的架构支持脑腺瘤、转移瘤、中风和白质病变等多病种分割，无需重新训练，优于通常需要疾病特定微调的基于卷积神经网络和基于 transformer 的模型。在 BraTS 2021、BraTS 2024 和 ISLES 2022 等多样数据集上评估，F3-Net 对域迁移和临床异质性表现出强大的韧性。在整个病理数据集上，F3-Net 在 BraTS-GLI 2024 上实现平均 Dice 相似系数为 0.94，在 BraTS-MET 2024 上为 0.82，在 BraTS 2021 上为 0.94，在 ISLES 2022 上为 0.79。这将其定位为一个灵活、可扩展的解决方案，弥合了深度学习研究与实际临床部署之间的鸿沟。
引用
@article{arxiv.2507.08460,
title = {F3-Net: Foundation Model for Full Abnormality Segmentation of Medical Images with Flexible Input Modality Requirement},
author = {Seyedeh Sahar Taheri Otaghsara and Reza Rahmanzadeh},
journal= {arXiv preprint arXiv:2507.08460},
year = {2025}
}