为何不变性在生物医学领域泛化中不够，以及如何修复
图像与视频处理
2026-05-12 v2 计算机视觉与模式识别
摘要
我们提出了 MaskGen，一种在 3D 生物医学图像分割中进行领域泛化的、在理论上有依据且设计简洁的方法。现代分割模型在模态、疾病严重程度、临床站点等发生迁移时性能急剧下降，限制了其可靠采用。现有泛化方法通过极端数据增强、手工设计的领域统计混合，或增加显著实现开销的架构 redesign 来解决这些问题，尽管在生物医学环境中产生不一致的性能。MaskGen 采用原则化的学习策略，仅需轻微的额外开销，利用源领域图像强度和领域稳定的 foundation 模型表示来训练鲁棒的分割模型。结果显示，MaskGen 在生物医学研究中的广泛临床迁移下，实现了在全监督和 few-shot 分割中显著的性能提升。与先前方法不同，MaskGen 与体系结构和损失函数无关，兼容标准数据增强管道，易于实现，能够处理任意解剖区域。其实现已公开available at https://github.com/sebodiaz/MaskGen。
引用
@article{arxiv.2604.02564,
title = {Why Invariance is Not Enough for Biomedical Domain Generalization and How to Fix It},
author = {Sebo Diaz and Polina Golland and Elfar Adalsteinsson and Neel Dey},
journal= {arXiv preprint arXiv:2604.02564},
year = {2026}
}
备注
Project GitHub https://github.com/sebodiaz/MaskGen