PathCo-LatticE：基于病理约束的全监督少样本心脏 MRI 分割 Lattice-of-Experts 框架
图像与视频处理
2025-12-11 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
少样本学习 (FSL) 通过缓解数据稀缺问题实现心脏 MRI 分割，但通常依赖对领域漂移和验证偏差敏感的半监督技术，限制了零样本通用性。我们提出 PathCo-LatticE，一个全监督 FSL 框架，用病理引导的合成监督取代未标记数据。首先，我们的 Virtual Patient Engine (VPE) 从稀疏临床锚点建模连续潜在疾病轨迹，使用生成模型合成具有生理学可信度的、完全标记的 3D 队列。其次，Self-Reinforcing Interleaved Validation (SIV) 提供一种无泄漏的在线评估协议，通过逐步增加难度的合成样本进行评估，消除对真实验证数据的需求。最后，动态 Lattice-of-Experts (LoE) 在病理感知拓扑结构中组织专门网络，并按输入激活最相关的专家，从而实现对未见数据进行稳健的零样本泛化，无需目标域微调。我们在严格的 out-of-distribution (OOD) 设置下评估了 PathCo-LatticE，所有锚点和严重程�统计信息均来源于单一来源域 (ACDC)，在多中心、多厂商 M&Ms 数据集上进行零样本测试。PathCo-LatticE 相比四种最先进的 FSL 方法在 Dice 系数上提高了 4.2-11%，仅需 7 个标记锚点即可实现；仅需 19 个标记锚点即可接近全监督水平（Dice 系数差距小于 1%）。该方法在四个厂商之间表现出卓越的协调作用，并对未见病理情况具有良好的泛化能力。[代码将公开发布]。
引用
@article{arxiv.2512.09779,
title = {PathCo-LatticE: Pathology-Constrained Lattice-Of Experts Framework for Fully-supervised Few-Shot Cardiac MRI Segmentation},
author = {Mohamed Elbayumi and Mohammed S. M. Elbaz},
journal= {arXiv preprint arXiv:2512.09779},
year = {2025}
}