通过数据合成实现医学图像分割的鲁棒上下文学习
计算机视觉与模式识别
2025-09-25 v1
摘要
通用医学图像分割的上下文学习（ICL）的兴起对大规模多样化训练数据集提出了前所未有的需求，加剧了长期存在的数据稀缺问题。虽然数据合成提供了有前景的解决方案，但现有方法往往无法同时实现高数据多样性和适合医学数据的域分布。为弥合这一差距，我们提出了SynthICL，一个基于域随机化的新型数据合成框架。SynthICL通过利用来自真实世界数据集的解剖先验确保真实性，生成多样化的解剖结构以覆盖广泛的数据分布，并显式建模受试者间变异以创建适合ICL的数据队列。在四个保留数据集上的广泛实验验证了我们框架的有效性，表明用我们数据训练的模型在平均Dice上实现了高达63%的性能提升，并对未见解剖域显著增强了泛化能力。我们的工作有助于缓解基于ICL的分割的数据瓶颈，为鲁棒模型铺平道路。我们的代码和生成的数据集可在 https://github.com/jiesihu/Neuroverse3D 公开获取。
引用
@article{arxiv.2509.19711,
title = {Towards Robust In-Context Learning for Medical Image Segmentation via Data Synthesis},
author = {Jiesi Hu and Yanwu Yang and Zhiyu Ye and Chenfei Ye and Hanyang Peng and Jianfeng Cao and Ting Ma},
journal= {arXiv preprint arXiv:2509.19711},
year = {2025}
}