CrossPan：跨序列胰腺 MRI 分割和泛化的综合基准

自动胰腺分割是腹部 MRI 分析的基础，但在一个 MRI 序列上训练的深度学习模型在应用于另一个 MRI 序列时常常会发生灾难性的失败——这一挑战几乎没有得到系统性的研究。我们推出了 CrossPan，这是一个多机构基准，包含来自八个中心的三个常规采集序列（T1 加权、T2 加权和异相）的 1,386 个 3D 扫描。我们的实验揭示了三个关键发现。首先，跨序列域转移比跨中心变异严重得多：当跨序列转移时，获得 Dice 分数高于 0.85 的模型在域内崩溃到接近于零（<0.02）。其次，最先进的域泛化方法在这些物理驱动的对比度反演下提供的好处可以忽略不计，而像 MedSAM2 这样的基础模型通过对比度不变的形状先验保持适度的零样本性能。第三，半监督学习仅在稳定的强度分布下提供增益，并且在具有高器官内变异性的序列上变得不稳定。这些结果确立了跨序列泛化（而不是模型架构或中心多样性）作为临床可部署胰腺 MRI 分割的主要障碍。数据集和代码可在 https://crosspan.netlify.app/ 获取。