基于智能通信混合专家提升的医学图像分割基础模型
计算机视觉与模式识别
2025-10-21 v1 人工智能
摘要
医学图像分割的基础模型近期取得了显著性能。针对自然图像分割基础模型的自适应微调对于医学图像分割任务至关重要。然而，现有微调方法存在一些局限性：1）高层特征表示不足，2）微调过程破坏了预训练权重的结构完整性。受到这些关键问题的启发，我们提出了一种智能通信混合专家提升的医学图像分割基础模型，称为 IC-MoE，其包含两个方面的创新：1）我们构建了基本专家、语义专家和自适应专家。此外，我们实现了一个像素概率自适应投票策略，使专家选择和融合通过标签一致性和负载平衡实现。这一方法初步增强了高层特征的表示能力，同时保持了预训练权重的结构完整性。2）我们提出了一种语义引导的对比学习方法，以解决对比学习中弱监督的问题。该方法进一步增强了高层特征的表示能力，同时保持了预训练权重的结构完整性。在三个公开的医学图像分割数据集上进行大量实验表明，IC-MoE 在其他 SOTA 模型方面表现出色。因此，所提出的 IC-MoE 有效地为基础医学图像分割模型提供了高层特征和预训练结构完整性。我们还验证了 IC-MoE 在各种医学图像分割情景下的优异通用性。
引用
@article{arxiv.2510.17684,
title = {Intelligent Communication Mixture-of-Experts Boosted-Medical Image Segmentation Foundation Model},
author = {Xinwei Zhang and Hu Chen and Zhe Yuan and Sukun Tian and Peng Feng},
journal= {arXiv preprint arXiv:2510.17684},
year = {2025}
}