面向3D医学图像分割的顺序微调基础模型：MedSeqFT
计算机视觉与模式识别
2025-09-09 v1
摘要
基础模型已成为医学图像分析的热门范式，尤其对于分割任务而言，下游应用往往是顺序性涌现的。然而现有的微调策略仍受限：平行微调孤立于各个任务，无法发挥共享知识的作用；多任务微调则需要同时获取所有数据集，难以实现增量任务集成。为此，我们提出MedSeqFT，一种逐步适应新任务的顺序微调框架，以不断细化模型的表征能力。MedSeqFT包含两个核心组件：(1)最大数据相似性(MDS)选择，识别最能代表原始预训练分布的下游样本，以保留通用知识；(2)知识与泛化保留微调(K&G RFT)，一种基于LoRA的知识蒸馏方案，在任务特定适应与保留预训练知识之间取得平衡。在覆盖十个3D分割任务的两个多任务数据集上进行的大量实验表明，MedSeqFT consistently 优于最新微调策略，平均Dice分数提升3.0%。此外，对两个未见任务(COVID-19-20和Kidney)的评估验证，MedSeqFT显著提升了迁移性，尤其在肿瘤分割方面效果尤为突出。对损�景观和参数变异的可视化分析进一步凸显了MedSeqFT的鲁棒性。这些结果确立了顺序微调作为适应临床任务的有效、知识保留性方法的范式。代码将对外发布。
引用
@article{arxiv.2509.06096,
title = {MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation},
author = {Yiwen Ye and Yicheng Wu and Xiangde Luo and He Zhang and Ziyang Chen and Ting Dang and Yanning Zhang and Yong Xia},
journal= {arXiv preprint arXiv:2509.06096},
year = {2025}
}
备注
10 pages, 5 figures