MAST-Pro: 面向全肿瘤自适应分割的动态专家混合与知识驱动提示
计算机视觉与模式识别
2025-03-19 v1
摘要
精确的肿瘤分割对于癌症诊断和治疗至关重要。虽然基础模型推动了通用分割的发展，但现有方法仍然面临以下挑战：（1）医学先验知识的有限融入，（2）通用特征与肿瘤特异性特征之间的不平衡，以及（3）临床适应的计算成本高昂。为应对这些挑战，我们提出了 MAST-Pro（Mixture-of-experts for Adaptive Segmentation of pan-Tumors with knowledge-driven Prompts），一个将动态专家混合（D-MoE）与知识驱动提示相结合的全肿瘤分割新框架。具体而言，文本和解剖学提示提供领域特定的先验知识，引导肿瘤表征学习，而 D-MoE 动态选择专家以平衡通用特征与肿瘤特异性特征的学习，从而提升跨多种肿瘤类型的分割精度。为提高效率，我们采用了参数高效微调（PEFT），以显著降低的计算开销优化 MAST-Pro。在多解剖肿瘤数据集上的实验表明，MAST-Pro 超越了最先进的方法，平均 DSC 提升了高达 5.20%，同时可训练参数减少了 91.04%，且未牺牲准确性。
引用
@article{arxiv.2503.14355,
title = {MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts},
author = {Runqi Meng and Sifan Song and Pengfei Jin and Yujin Oh and Lin Teng and Yulin Wang and Yiqun Sun and Ling Chen and Xiang Li and Quanzheng Li and Ning Guo and Dinggang Shen},
journal= {arXiv preprint arXiv:2503.14355},
year = {2025}
}
备注
10 pages, 2 figures