一种适用于 CT 和 MRI 跨域 3D 脊椎分割的数据增强方法
计算机视觉与模式识别
2026-05-06 v1
摘要
深度学习-based 医学图像分割正越来越多地用于支持临床诊断和开发新疗法。然而，模型性能仍受限于高质量标注数据的稀缺以及在不同获取序列之间的泛化能力不足。这一限制在 MRI 和 CT 之间尤为明显，因为通常在单一获取序列上训练模型，并在应用于不可见序列或对比度时表现下降。尽管数据增强广泛用于提高医学图像的鲁棒性，但其对跨模态泛化的影响尚未进行定量探索。在本工作中，我们研究了一套针对性数据增强技术，以提高跨模态迁移能力。我们在三个脊椎分割模型上进行训练，每个模型都在单一模/序列数据集上训练，并在七个外分布数据集(涵盖 CT 和 MRI)上进行评估，反映了真实的单序列训练和多序列/对比度/模态部署场景。我们的结果在不可见域上实现了显著性能提升(平均 Dice 提升 155%)，同时保持了域内准确性(平均 Dice 下降仅 0.008%)，包括在 CT 和 MRI 之间的有效迁移。为缓解强数据增强通常相关联的计算成本，我们实现了 GPU 优化增强，保持甚至提升了约 10% 的训练效率。我们将方法以开源工具箱形式发布，使其能够无缝集成到常用框架如 nnUNet 和 MONAI 中。这些增强显著提高了对异构临床影像场景的鲁棒性，而不会牺牲训练速度。
引用
@article{arxiv.2605.03098,
title = {One Sequence to Segment Them All: Efficient Data Augmentation for CT and MRI Cross-Domain 3D Spine Segmentation},
author = {Nathan Molinier and Hendrik Möller and Thomas Dagonneau and Anna Curto-Vilalta and Robert Graf and Matan Atad and Daniel Rueckert and Jan S. Kirschke and Julien Cohen-Adad},
journal= {arXiv preprint arXiv:2605.03098},
year = {2026}
}