**在CT体成分分割中解耦采样策略与训练预算以应对类不平衡**

_Disentangling Sampling from Training Budget in Class-Imbalanced CT Body Composition Segmentation_

> 该研究探讨了医学图像分割中的类不平衡问题，提出采用小样本学习中的情景采样策略来促进全监督设置下的类平衡批次构建。通过解耦情景采样与传统的度量学习背景，研究在CT体成分分割任务中对比了情景采样、随机采样和加权采样三种方法。实验基于公开的SAROS数据集（210个扫描样本），在完整数据和低数据两种训练模式下评估了九种肌肉和脂肪组织的分割性能。结果发现，在完整数据训练下三种策略性能相当（情景采样的平均Dice为0.882，随机和加权采样为0.878）；在低数据训练下，情景采样显著优于其他方法（0.787对比0.758和0.762），这主要归因于训练迭代次数的巨大差异。在匹配训练迭代预算的实验中，随机和加权采样更早出现过拟合，而情景采样能在更长迭代次数后保持性能提升。研究指出训练迭代预算是一个被低估的混杂因素，并提出迭代感知的评估协议。情景采样的优势被认为源于类平衡批次的隐式正则化效果，为处理类不平衡医学图像分割提供了一种低成本、模型无关的策略。代码已开源。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.20405)