纹理-形状困境：面向3D医用Transformer的边界安全合成
计算机视觉与模式识别
2026-03-03 v1
摘要
视觉Transformer（ViTs）在医学图像分析中取得突破，但其数据驱动的本质与临床档案稀缺及隐私限制之间的矛盾尚存。公式驱动的监督学习（FDSL）作为突破性方案，通过数学公式无限合成带注释样本，规避真实患者数据。然而，现有FDSL范式依赖简单几何形状及均匀强度，忽略了CT、MRI等模态式固有组织纹理及噪声模式，造成显著鸿沟。本文识别一种关键优化冲突，称作边界别名：当高频合成纹理被轻易添加时，破坏学习结构边界所需的图像梯度信号，使模型难以描绘真实解剖边界。为桥接此差距，我们提出一种 novel Physics-inspired Spatially-Decoupled Synthesis框架。该方法正交化合成过程：首先基于边界距离构建梯度屏蔽缓冲区，确保形状学习稳定；随后注入物理驱动的谱纹理至物体核心。此设计有效实现稳健形状表征学习与获取噪声不变性的平衡。针对BTCV与MSD数据集开展大量实验，证明该方法在FDSL及基于真实医学数据集训练的SSL方法上，分别在BTCV上提升1.43%，在MSD上提升最高达1.51%，为医用ViTs提供可扩展、无需注释的基础。代码将在论文接受后公开。
引用
@article{arxiv.2603.00985,
title = {The Texture-Shape Dilemma: Boundary-Safe Synthetic Generation for 3D Medical Transformers},
author = {Jiaqi Tang and Weixuan Xu and Shu Zhang and Fandong Zhang and Qingchao Chen},
journal= {arXiv preprint arXiv:2603.00985},
year = {2026}
}