arXiv cs.AI· Derong Yu, Guoyan Zheng·· 12 小时前AI 评分34
ReSeg：无需重训练，通过可泛化语义表征学习实现腹部器官分割
ReSeg: Retraining-free segmentation of abdominal organs via generalizable semantic representation learning
AI 导读
ReSeg 是一个两阶段、免重训练的框架，可在不依赖真实训练图像的情况下实现域无关的零样本腹部器官分割。第一阶段用专用数据引擎生成的合成图像预训练 GSRNet 学习通用语义表征，第二阶段以其权重初始化 OESNet 编码器并生成保留器官空间布局的多样化图像继续训练。在 CT、MRI、PET 三种模态共七个数据集上，ReSeg 一致优于现有 SOTA 方法。
正文 · AI 翻译
摘要：腹部器官分割在现代医学应用中至关重要。尽管现有的深度学习方法展现出令人期待的性能，但它们对大规模图像数据的严重依赖引发了对泛化能力和隐私风险的担忧。这促使人们开发基于域随机化图像合成的可泛化分割训练范式，以促进对未见真实图像域的泛化。然而，现有范式要么在应用于腹部器官时分割性能有限，要么需要针对特定数据集进行微调。为解决这些局限，我们提出 ReSeg，一种新颖的两阶段、无需重新训练、面向域无关零样本腹部器官分割的框架。在第一阶段，我们的器官无关合成数据驱动预训练方法利用由专用数据引擎生成的语义和视觉上多样化的合成图像来优化可泛化语义表示网络（GSRNet）。该网络因而能够学习对解剖结构、成像对比度、分辨率和空间上下文变化具有鲁棒性的语义特征，从而提供通用表示能力，为分割学习奠定基础。随后，在第二阶段，我们继续训练器官特定编码器-解码器分割网络（OESNet），其编码器使用预训练权重初始化。这一训练过程由另一个专用数据引擎辅助，该引擎生成多样化的视觉图像，同时严格保留腹部器官的固有空间布局。在涵盖 CT、MRI 和 PET 三种不同模态的七个腹部器官分割数据集上的全面评估表明，ReSeg 始终优于现有最先进（SOTA）方法，同时无需真实训练图像。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29090 [cs.CV] |
| （或 arXiv:2610.29090v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29090 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Derong Yu [查看邮箱]
[v1]
2026年10月21日 星期三 02:31:19 UTC（19,220 KB）
来源：arXiv cs.AI · arxiv.org