域特征校正网络

跨域单样本分割

通过因果干预阻断领域混杂路径，学习域不变解剖特征，提升模型在未见领域的泛化能力。

侯明阳 · 黄智勇 · 钟代笛 · Yu, Zhi · Li, Xiaoyu · Wang, Jiahong · Yan, Yan · Liu, Yushi

Medical Image Analysis 2026

技术优势

域偏移不再拖累分割

通过模拟因果干预阻断非因果混杂通路，模型学到的是域不变的解剖特征，而不是扫描仪相关的虚假模式。

跨域表现超过现有方法

在多个跨域少样本分割基准上，分割准确率和跨域鲁棒性均优于 IFA 和 FAMNet。

少样本也能稳定泛化

即使标注数据很少，模型也能通过学习稳定的域不变特征，在未见领域上取得可靠性能。

应用场景

• 医学图像分割：用少量标注即可适应新扫描仪，省去逐例标注成本。
• 手术导航与规划：跨扫描仪和协议的分割一致性让术前规划不受成像设备限制。
• 远程医疗影像分析：在不同设备采集的影像上保持分割精度，支撑远程诊断。
• 多中心临床数据标注：利用域不变特征减少不同中心数据标注的标准差异。