Fake It Right：注入解剖逻辑的合成监督预训练用于医学分割
计算机视觉与模式识别
2026-03-03 v1
摘要
Vision Transformer（ViT）在3D医学分割中表现出色，但需要大量标注数据。虽然自监督学习（SSL）通过无标签数据缓解了这一问题，但仍面临严格的隐私和日志istical障碍。公式驱动的监督学习（FDSL）通过在合成数学原语上进行预训练提供了一种隐私保护的替代方案，但存在一个关键语义鸿沟限制其效能：通用形状缺乏形态学保真度、固定的空间布局以及真实解剖结构的相互关系，阻止模型学习essential的全局结构先验。为弥合这一鸿沟，我们提出了一种基于解剖学感知的合成监督预训练框架，将FDSL的无限可扩展性与解剖学的真实性相统一。我们将基本原语替换为一个轻量级形状库，包含来自5名受试者的仅含标签的分割掩码。此外，我们引入一种结构感知的顺序放置策略来治构补丁合成过程。与随机放置不同，我们使用空间锚点确保正确定位，并通过拓扑图管理器解剖间的相互作用（例如，防止不可能的重叠）。在BTCV和MSD数据集上的广泛实验表明，我们的方法在SOTA FDSL基线和SSL方法上分别提高了1.74%和最高可达1.66%，且表现出稳健的扩展效应——随着合成数据量的增加，性能不断提升。这提供了一个数据高效、符合隐私要求的医学分割解决方案。代码将在接受后公开。
引用
@article{arxiv.2603.00979,
title = {Fake It Right: Injecting Anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation},
author = {Jiaqi Tang and Mengyan Zheng and Shu Zhang and Fandong Zhang and Qingchao Chen},
journal= {arXiv preprint arXiv:2603.00979},
year = {2026}
}