BMS^3: Bayesian Modeling Based SwinUNet Segmentation on Self-distillation Architecture
· 论文 · 医学图像分割 / 贝叶斯建模 / SwinUNet / 自蒸馏 / 域泛化
发表于 ICONIP 2025。
会议信息
论文收录于第 32 届 International Conference on Neural Information Processing（ICONIP 2025）论文集。会议于 2025 年 11 月在日本冲绳举行。
医学图像分割直接关系到疾病检测和诊断，但不同医院、扫描设备和成像条件之间的数据差异，常常会让模型在新数据上失效。BMS³ 针对的正是这种跨域泛化问题。
方法使用贝叶斯建模分解特征，把图像拆分为与数据域无关的形状信息，以及与具体成像条件有关的外观信息；分割主干采用 Swin Transformer U-Net，并可选用自蒸馏来改善类别不平衡数据上的训练效果。
在多套医学图像数据上的实验中，BMS³ 与 ResNet、TransUNet 和 BayeSeg 等方法进行了比较。结果显示，它在分割准确率、计算效率和跨设备稳定性上都有较好表现，尤其适合数据来源复杂、成像差异明显的场景。