基于拓扑学的医学基础模型分割可迁移性估计
计算机视觉与模式识别
2026-05-26 v2 人工智能
摘要
大规模自监督学习(SSL)的出现产生了庞大的医学基础模型库。然而，为特定分割任务选择最佳医学基础模型仍然是计算瓶颈。现有的迁移性估计(TE)指标主要为分类任务所设计，依赖全局统计假设，无法捕捉密集预测所必需的拓扑复杂性。我们提出一种基于拓扑学的迁移性估计框架，通过评估流形可操作性而非统计重叠来实现。我们的 метод法引入了三个组件：(1)全局表示拓扑发散(GRTD)，利用最小生成树量化特征-标签结构同构; (2)局部边界感知拓扑一致性(LBTC)，评估在关键解剖边界处的流 manifold 可分性; (3)任务自适应融合，动态整合全局和局部指标。我们在大规模OpenMind基准测试上验证了该方法，跨越多种解剖目标和SSL基础模型，相较于最先进的基线方法提升了约31%。
引用
@article{arxiv.2602.23916,
title = {Topology-Driven Transferability Estimation of Medical Foundation Models for Segmentation},
author = {Jiaqi Tang and Shaoyang Zhang and Xiaoqi Wang and Jiaying Zhou and Yang Liu and Qingchao Chen},
journal= {arXiv preprint arXiv:2602.23916},
year = {2026}
}