用于直肠癌分割的参数高效预训练 CT 到 MRI 传输：性能校准权衡

通过磁共振成像 (MRI) 进行准确的直肠癌分割对于适应性放射治疗和肿瘤反应评估至关重要，但部署还需要计算效率和信息丰富、经过校准的不确定性估计。因此，我们引入了 SWIFT，这是一种 SWin 预训练模型，具有高效参数和肿瘤感知 微调，用于直肠癌分割。使用 DINOv2 型物镜在 10,444 个公共 3D CT 体积上进行预训练的 Swin V2 编码器通过四种累积配置适应 T2 加权 MRI：完整 微调 (SWIFT)、解码器压缩 (SWIFTe)、低秩适应 (SWIFTe-LoRA) 和四成员 LoRA 解码器集合 (SWIFTe-LDE4)。在使用 1.5 或 3 Tesla GE 扫描仪采集的单一机构队列中保留的 247 例测试集上评估了几何精度、肿瘤检测、放射组学一致性和概率校准。与 SWIFT 相比，SWIFTe 减少了 70.1% 的总参数（从 72.8M 到 21.8M），并将肿瘤检出率从 89.9% 提高到 93.9%，同时实现了略低的中位表面 DSC（0.61 与 0.62）并改善了放射组学一致性。在单独的 SWIFTe 消融中，去除肿瘤感知增强将检测率从 93.9% 降低到 89.9%，但表面 DSC 从 0.61 增加到 0.64，这证明了检测边界一致性的权衡。 SWIFTe-LoRA 使用了 14.6% 的 SWIFTe 可训练参数，同时保留了类似的分割性能。尽管绝对预期校准误差表明存在残余校准误差，但 SWIFTe-LDE4 在温度缩放后实现了四种配置中最低的校准误差（预期校准误差为 0.217；Brier 得分为 0.222）。使用公共 VoCo 检查点观察到类似的效率校准模式，支持预训练初始化的鲁棒性，而不是外部临床普遍性。