拓扑感知提示条件模型能通用分割子宫结构吗？

一个模型覆盖两种模态与两套标签

论文要回答的是：单一分割模型能否同时处理超声和 MRI 中的子宫结构，而这两种模态在图像外观、解剖背景、空间分辨率和组织对比度上差异明显。第二个障碍是标签异质性：公开数据集面向不同临床目标，一个可能勾画子宫及其内部结构，另一个则针对肌瘤等病灶。直接合并这类数据集可能带来负迁移，即对某一分割任务有用的知识干扰另一任务。

TPUS 全称 Topology-informed Prompt-conditioned Universal Segmentation，是论文给出的答案。它在子宫超声数据集（UterUS）和 T2 加权子宫肌瘤 MRI 数据集（UMD）上联合训练，并在两者的留出测试集上评估。其主张并非用一套标签覆盖两种模态，而是一个模型能分别输出每个数据集的原生标签空间。

共享解剖表征，输入 stem 各自独立

骨干网络把模态专属部分与共享部分分开。每个数据集有独立 stem：一个 3x3x3 卷积、实例归一化和 LeakyReLU，把单通道体数据映射到 32 通道。每次迭代中，一个采样体数据经其对应 stem 前传。在论文报告的批大小为 1 的情况下，图中所示的拼接只是转发被选中的 stem 输出，而不是把超声和 MRI 体数据配对。

stem 之后的所有部分共享。模态共享的六级残差 U 形编码器-解码器，编码器宽度为 32、64、128、256、320、320 通道，解码器宽度为 320、256、128、64、32 通道，并带分辨率匹配的跳跃连接。Pool GNN 与 Swin GNN 层被改造成拓扑块，部署在编码器 E2-E5 层和解码器 D0-D2 层；高分辨率层 E0-E1 与 D3-D4 保留卷积残差块。两个图模块都使用最大相对图卷积，以补充骨干网络的局部卷积偏置。

类别提示为每个数据集生成分类器

TPUS 不用固定分类器，而是以文本提示条件化预测。对数据集标签集中的每个类别（包括背景），方法构造任务感知提示，例如“uterus in a gynecologic ultrasound image”或“uterine myoma in a sagittal T2 pelvic MRI image”。冻结的 CLIP ViT-B/32 文本编码器输出 512 维嵌入。

E5 瓶颈特征与类别嵌入被投影到 256 维，拼接后送入共享的 1x1x1 控制器，每个类别输出 153 个参数。这些参数定义三个类别级动态卷积，通道维度为 8 到 8 到 8 到 1。控制器跨数据集和类别共享，但生成的滤波器同时取决于图像和类别。CLIP 嵌入保持固定，其投影和控制器可训练。该头替代固定的 D4 分类器并产生原生多类 logits，因此 softmax 在每个数据集自身标签空间中给出包含背景的预测。

拓扑损失自动推导互斥关系

拓扑感知损失针对解剖上不一致的预测。论文定义数据集前景标签之间的成对互斥关系，与以往需要为固定标签空间手动指定关系的拓扑感知损失不同，这里从每个数据集的原生前景标签自动推导这些互斥关系。硬预测来自 softmax 概率的类别级 argmax；随后用 3x3x3 核在每个体素的 26 邻域内识别违规，得到二值关键体素掩码。

拓扑交互项只在那些关键体素上计算交叉熵。对单一前景类别，互斥集为空，该项为零；UMD 的四个前景类别产生六对互斥关系。总损失在四个深监督输出上求和 Dice、交叉熵和拓扑项，权重为 2^(s-1)/15，s 取 1 到 4，拓扑权重经验设为 10^-6。推理时只使用 D4 的全分辨率动态输出。

超声与 MRI 的 Dice 差距明显

在两个留出测试集上，TPUS 在 UterUS 超声数据集上 Dice 为 0.898，在 UMD T2 加权肌瘤 MRI 数据集上为 0.693，优于若干通用与统一分割基线。论文还报告了平均对称表面距离（ASSD），TPUS 在对比方法中 ASSD 最低。

这两个数字不应被读作同一性能水平。UterUS 提供二值子宫区域掩码，并排除有肌瘤、腺肌症及其他获得性异常的病例；UMD 标注子宫壁、子宫腔、肌瘤以及存在时的纳氏囊肿，对象是经手术和病理确诊肌瘤的患者。Dice 和 ASSD 按每个前景类别在病例上报告均值±标准差，再做宏平均，空表面则省略 ASSD。因此 MRI 任务既是多类别，又来自更难、带病灶的人群。

分数背后的训练与评估条件

两个数据集都遵循 MultiTalent 多数据集范式及其基于 nnU-Net 的预处理：1 毫米各向同性重采样和 z-score 归一化，外加数据增强。训练使用 192 立方体 patch、批大小 1、1,000 个 epoch 每轮 250 次迭代，Nesterov SGD，动量 0.99，权重衰减 3x10^-5，从 10^-3 做多项式衰减。所有对比方法共享划分、预处理和后处理。

划分上，UterUS 为 100/10/28 例，UMD 为 191/21/54 例，分别对应训练、验证和留出测试。由于每种方法看到相同划分和流程，报告的比较隔离的是模型设计而非数据准备。留出测试集也偏小，尤其是 28 例的 UterUS 测试集，因此按类别宏平均的分数带有病例级波动，报告的标准差反映了这一点。

通用性主张成立与止步之处

证据支持的通用性恰好覆盖所测的两个数据集：一个带二值子宫区域掩码的 3D 超声数据集，和一个带四个前景标签的 T2 加权 MRI 数据集。论文自身的框架是：这些数据集在模态、标签空间和临床目标上不同，联合学习有负迁移风险；TPUS 通过模态专属 stem、共享图推理、提示条件头和拓扑感知监督来缓解这一风险。

证据包未确立的是向其他模态、其他子宫数据集、其他标签定义或前瞻性临床使用的迁移。UterUS 数据集排除肌瘤、腺肌症及其他获得性异常，因此其 0.898 Dice 描述的人群比确诊肌瘤的 UMD 队列更干净。对判断多类别带病灶分割的读者而言，0.693 的 MRI Dice 是更有信息量的数字，而超声分数反映的是二值区域任务。

最值得关注的是 MRI 多类别差距

这篇论文中最具决策相关性的比较不是 TPUS 与基线之比，而是其两个留出结果之间的差距：二值超声子宫区域掩码上 Dice 0.898，对比肌瘤患者四类 T2 加权 MRI 上 Dice 0.693。这一差距正是通用分割主张最吃紧之处，也是判断提示条件、拓扑感知设计是否真正弥合异构子宫任务距离时该盯住的数字。

对权衡该框架的读者而言，实际阈值是标签空间复杂度而非单纯模态。这里一个模型可以服务两个数据集，但其在子宫壁、子宫腔、肌瘤和纳氏囊肿上的 MRI 表现，才是决定联合训练是否值得增加这套机制的结果，也是进一步在更多数据集上验证最有意义的场景。

本文引用的文献