U-Harmony：通过通用调谐增强分割模型的联合训练
计算机视觉与模式识别
2026-01-22 v1 机器学习
摘要
在临床实践中，医学分割数据集常受限且异构，不同机构之间在模态、协议和解剖目标方面存在差异。现有的深度学习模型难以从此类多样化数据中联合学习，往往在泛化能力和领域特定知识之间牺牲一方。为此，我们提出一种名为 Universal Harmonization(U-Harmony)的联合训练方法，可集成到带有领域门控头的深度学习架构中，使单个分割模型能够同时从异构数据集中学习。通过引入U-Harmony，我们的方法依次对特征分布进行归一化和反归一化，以缓解领域特定变异，同时保留原始数据集的特定知识。更具吸引力的是，我们的框架还支持通用模态适应，允许无缝学习新的成像模态和解剖类别。在跨机构脑卒中数据集上的大量实验表明，我们方法的有效性，为现实临床环境中稳健且可适应的3D医学图像分割模型树立了新基准。
引用
@article{arxiv.2601.14605,
title = {U-Harmony: Enhancing Joint Training for Segmentation Models with Universal Harmonization},
author = {Weiwei Ma and Xiaobing Yu and Peijie Qiu and Jin Yang and Pan Xiao and Xiaoqi Zhao and Xiaofeng Liu and Tomo Miyazaki and Shinichiro Omachi and Yongsong Huang},
journal= {arXiv preprint arXiv:2601.14605},
year = {2026}
}