面向医学图像分割的模型无关偏好优化
计算机视觉与模式识别
2025-12-18 v1
摘要
偏好优化提供了一种基于相对偏好信号的可扩展监督范式，但先前在医学图像分割中的尝试局限于模型特定，依赖低多样性的预测抽样。本文提出 MAPO (Model-Agnostic Preference Optimization)，一种训练框架，利用 Dropout 驱动的随机分割假设来构建无需直接_ground-truth_监督的偏好一致梯度。MAPO 对体系结构和维度完全无关，支持 2D/3D CNN 和 Transformer 基于分割的管道。广泛的医学数据集上的全面评估表明，MAPO 在边界遵循性方面持续地提升，减少过拟合，并产生更稳定的优化动力学，与传统监督训练相比表现更佳。
引用
@article{arxiv.2512.15009,
title = {Model Agnostic Preference Optimization for Medical Image Segmentation},
author = {Yunseong Nam and Jiwon Jang and Dongkyu Won and Sang Hyun Park and Soopil Kim},
journal= {arXiv preprint arXiv:2512.15009},
year = {2025}
}