拓扑引导、提示条件化的超声与 MRI 子宫结构通用分割

基于摘要分析。该研究针对超声与 MRI 子宫多结构分割中影像外观、解剖上下文、空间分辨率及标签空间不同所带来的联合学习困难，提出 Topology-informed Prompt-conditioned Universal Segmentation（TPUS），在统一框架内进行模态适配、任务条件化预测与解剖一致性约束。 机制上，TPUS 的多数据集骨干由模态专属输入模块和模态共享的图结构编码器—解码器组成，分别用于输入适配、结构特征推理及联合表征学习。任务感知的类别提示用于区分数据集与标签空间，动态卷积适配模块生成任务专属输出，拓扑引导损失鼓励预测满足解剖一致性。摘要未提供图构建方式、提示编码、动态卷积参数生成机制或损失具体形式，尚不能判断这些设计分别如何缓解负迁移。 作者报告，在一个子宫超声数据集和一个 T2 加权子宫肌瘤 MRI 数据集的各自留出测试集上，TPUS 的 Dice 分别为 0.898 和 0.693，并优于若干通用分割基线。数据集名称、样本规模、划分单位、具体基线、Dice 汇总方式及统计不确定性尚未验证；两个数值对应不同模态和任务，不能直接比较。摘要提供了代码地址，但实现、训练配置及复现可用性尚未核验，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多任务或跨数据集学习同样面临通道配置与标签空间异构，模态专属输入适配、共享表征和任务类别提示可能具有可复用价值。迁移假设依赖可对齐的任务语义与通道结构；子宫解剖拓扑及分割损失不能直接用于 EEG，需改造为时序表征、通道图和相应任务目标。低信噪比、跨被试差异、通道缺失及小数据条件可能使共享表征产生负迁移。可在两个标签语义可对齐的 EEG 数据集上固定按被试划分的训练与测试协议，对比共享骨干与加入输入适配、任务提示的版本，检验其相对单任务模型是否改善迁移。已有 EEG 相关工作尚未检索确认。