TP-Seg：用于统一医学病灶分割的任务-原型框架
计算机视觉与模式识别
2026-04-02 v1
摘要
利用单一参数集高效处理多样化医学病灶分割类型，构建统一模型已成为 AI 辅助诊断的关键目标。现有的统一分割方法通常依赖跨异构任务和模态的共享编码器，这往往导致特征纠缠、梯度干扰和次优的病灶判别。在本工作中，我们提出 TP-Seg，一个用于统一医学病灶分割的任务-原型框架。一方面，任务条件适配器通过双路径专家结构有效平衡共享与任务特定表示，使跨多样化医学影像模态和病灶类型的自适应特征提取成为可能。另一方面，原型引导的任务解码器引入可学习的任务原型作为语义锚点，并采用交叉注意力机制实现对任务特定前景与背景语义的细粒度建模。无需额外复杂设计，TP-Seg 在涵盖多种影像模态的 8 个不同医学病灶分割任务上持续超越专用、通用和统一分割方法，展现出强大的泛化性、可扩展性和临床适用性。
引用
@article{arxiv.2604.00684,
title = {TP-Seg: Task-Prototype Framework for Unified Medical Lesion Segmentation},
author = {Jiawei Xu and Qiangqiang Zhou and Dandan Zhu and Yong Chen and Yugen Yi and Xiaoqi Zhao},
journal= {arXiv preprint arXiv:2604.00684},
year = {2026}
}