深度学习方法在医学图像分割中已得到广泛应用，但模型性能仍受限于高质量标注数据的匮乏以及跨成像协议泛化能力的不足。这一问题在MRI和CT中尤为突出：模型通常只在单一采集序列上训练，当面对未见过的序列或对比度时，其鲁棒性会显著下降。虽然数据增强常被用来提升医学图像的通用鲁棒性，但其对跨模态泛化的具体影响此前尚未被定量研究。
本研究由Nathan Molinier、Hendrik Möller、Thomas Dagonneau、Anna Curto-Vilalta、Robert Graf、Matan Atad、Daniel Rueckert、Jan S. Kirschke和Julien Cohen-Adad共同完成。他们探索了一组专门设计用于改善跨模态迁移的数据增强技术。研究团队基于三个不同的单模态/单序列数据集训练了脊柱分割模型，并在覆盖CT和MRI的七个分布外数据集上进行了评估，这模拟了实际中典型的单序列训练、多序列/对比度/模态部署场景。
实验结果令人瞩目：该方法在未见领域上的平均Dice系数提升了155%，同时域内准确率几乎未受影响，平均Dice仅下降了0.008%。更重要的是，该方法还实现了CT与MRI之间的有效迁移。为了缓解强数据增强通常带来的计算开销，团队实现了GPU优化的增强操作，不仅没有降低，反而将训练效率提升了约10%。所有代码已作为开源工具箱发布，可无缝集成到nnUNet和MONAI等常用框架中。这些增强技术在不牺牲训练速度的前提下，显著提升了模型对异质性临床成像场景的鲁棒性。
这项研究为跨模态医学图像分割提供了一种高效且实用的数据增强方案，有望推动该技术在临床中的更广泛应用。其开源工具包的发布也将促进相关领域的进一步研究与实践。