基于主权重解耦的低秩自适应方法在脑结构与转移瘤分割中的应用研究

针对医学图像分割中标注数据稀缺和计算成本高的问题，研究人员提出PDoRA方法，通过主权重解耦与低秩自适应技术，在脑结构（如海马体）和转移瘤分割任务中实现Dice分数最高提升5.73%，显著优于全参数微调（FT）和现有参数高效微调（PEFT）方法，为资源受限的医学影像分析提供新范式。

　　

在医学影像分析领域，精准分割脑部结构和病变区域对疾病诊断和治疗规划至关重要。然而，现有深度学习方法面临两大瓶颈：一是依赖大量人工标注数据，而医学图像标注成本高昂；二是针对不同分割任务需重新训练模型，导致计算资源消耗剧增。这些痛点严重制约了人工智能在临床场景的落地应用。

针对这一挑战，绍兴大学数学与信息科学学院联合绍兴大学附属医院的研究团队在《Scientific Reports》发表创新成果，提出名为PDoRA（基于主权重解耦的低秩自适应）的新型微调方法。该方法通过解耦预训练模型权重的主成分与残差成分，并独立优化主成分的幅度和方向，在仅需5张训练图像的极端条件下，仍能使脑转移瘤分割的Dice分数提升5.73%，创造了参数高效微调领域的新标杆。

研究团队采用三项核心技术：1）基于奇异值分解（SVD）的权重矩阵解耦，将预训练权重分解为主成分（W^pri）和残差成分（W^res）；2）主成分的幅度-方向解耦优化，通过低秩矩阵B∈R^d×r和A∈R^r×k实现方向自适应；3）跨数据集迁移验证，在ADNI来源的EADC数据集（130例）、LPAB40数据集（40例）和自建Bra-MET数据集（72例NSCLC脑转移病例）上进行多中心测试。

方法学创新部分，研究通过对比实验验证了PDoRA的架构优势。如图1(c)所示，其前向传播公式y=(W^res+m(B A/‖BA‖_c))x实现了参数更新与模型稳定的平衡。在r=16的设定下，该方法在LPAB40数据集的海马体分割任务中达到83.33%的Dice分数，较传统全参数微调提升1.09%。

性能验证方面，研究通过三类对照实验证实了方法的普适性。如表4所示，在脑转移瘤分割任务中，PDoRA以74.66%的Dice分数显著超越DoRA（69.28%）和PiSSA（71.09%）。特别值得注意的是，该方法在KITS23肾脏分割数据集上仅用393张训练图像就达到92.23%的准确率，证明其跨器官适用性。

讨论部分指出，PDoRA的成功源于双重机制：1）通过低秩矩阵A/B的潜在空间投影，有效分离重叠解剖结构（如皮层与皮层下区域）；2）可学习幅度因子m动态调节不同组织的特征响应。这些特性使其在计算资源消耗方面表现突出——如表5所示，训练内存仅需1.94GB，较全参数微调减少25%。

该研究的临床意义在于：首次将主成分分析与参数高效微调结合应用于医学图像分割，为小样本学习提供了新思路。未来可扩展至多模态影像分析和实时手术导航系统，推动精准医疗的发展。研究团队已开源代码（https://github.com/Perfect199001/PDoRA），助力医学人工智能社区的发展。