FGML-DG：基于费曼学习的跨域医学图像分割认知科学范式
计算机视觉与模式识别
2026-04-14 v1
摘要
在医学图像跨模态（如 MRI、CT 等）和异构数据源（如不同医院和设备）的分割任务中，领域泛化（DG）仍是 AI 驱动医疗保健中的关键挑战。这种挑战主要源于领域迁移、图像变异和患者多样性，常导致模型在不可见领域中的性能下降。为解决这些限制，我们识别了现有方法的关键问题，包括对复杂样式特征的不足简化、领域知识的不足复用以及缺乏反馈驱动的优化。为克服这些问题，灵感来自教育心理学中费曼的学习技术，本文提出了一种受认知科学启发的元学习范式，用于医学图像领域泛化分割。我们首次提出了受费曼指导的元学习框架，用于医学图像领域泛化分割（FGML-DG），该框架模拟人类认知学习过程以增强模型学习和知识迁移。具体而言，我们首先利用费曼学习方法中的“概念理解”原则，将跨域的复杂特征简化为样式信息统计，实现精确的样式特征对齐。其次，我们设计了一种元样式记忆和召回方法（MetaStyle）来模拟人类记忆系统利用过去知识的方式。最后，我们引入反馈驱动的再训练策略（FDRT），模拟费曼强调的针对性重学习，使模型能够基于预测误差动态调整学习重点。实验结果表明，我们的方法在两个具有挑战性的医学图像领域泛化任务上优于其他现有领域泛化方法。
引用
@article{arxiv.2604.10524,
title = {FGML-DG: Feynman-Inspired Cognitive Science Paradigm for Cross-Domain Medical Image Segmentation},
author = {Yucheng Song and Chenxi Li and Haokang Ding and Zhining Liao and Zhifang Liao},
journal= {arXiv preprint arXiv:2604.10524},
year = {2026}
}