深度學習方法在醫學影像分割中已得到廣泛應用，但模型效能仍受限於高質量標註資料的匱乏以及跨成像協議泛化能力的不足。這一問題在MRI和CT中尤為突出：模型通常只在單一採集序列上訓練，當面對未見過的序列或對比度時，其魯棒性會顯著下降。雖然資料增強常被用來提升醫學影像的通用魯棒性，但其對跨模態泛化的具體影響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。他們探索了一組專門設計用於改善跨模態遷移的資料增強技術。研究團隊基於三個不同的單模態/單序列資料集訓練了脊柱分割模型，並在覆蓋CT和MRI的七個分佈外資料集上進行了評估，這模擬了實際中典型的單序列訓練、多序列/對比度/模態部署場景。
實驗結果令人矚目：該方法在未見領域上的平均Dice係數提升了155%，同時域內準確率幾乎未受影響，平均Dice僅下降了0.008%。更重要的是，該方法還實現了CT與MRI之間的有效遷移。為了緩解強資料增強通常帶來的計算開銷，團隊實現了GPU最佳化的增強操作，不僅沒有降低，反而將訓練效率提升了約10%。所有程式碼已作為開源工具箱釋出，可無縫整合到nnUNet和MONAI等常用框架中。這些增強技術在不犧牲訓練速度的前提下，顯著提升了模型對異質性臨床成像場景的魯棒性。
這項研究為跨模態醫學影像分割提供了一種高效且實用的資料增強方案，有望推動該技術在臨床中的更廣泛應用。其開源工具包的釋出也將促進相關領域的進一步研究與實踐。