华中师大提出 CoReFuse-Med：先净化再融合，应对低质模态拖累医学图像分割

核心事实

据雷峰网报道，华中师范大学、华中科技大学、广州中医药大学及其第一附属医院、北卡罗来纳大学教堂山分校的研究团队提出多模态医学图像分割方法 CoReFuse-Med，论文题为《When Fusion Fails: Corruption-Aware Rebalanced Fusion for Multi-Modal Medical Image Segmentation》，据报被 ACM MM 2026 收录。该方法针对 MRI 中 T1、T2、FLAIR 等序列已完成空间对齐、但采样分辨率差异较大的情形，从浅层特征污染与深层模态偏置两方面入手，先净化再融合。

背景与影响

论文指出，空间对齐并不等于信息质量一致：低分辨率序列经重采样后尺寸与 T1 相同，却可能携带不可靠信息。研究给出三方面证据：浅层特征的 F-CNR 指标上，T1 为 1.0283，约为 FLAIR 的 3.4 倍；在 EPVS 的 3D U-Net 中，T1 占 77.4% 的梯度贡献，FLAIR 仅 13.1%，但遮挡 FLAIR 与遮挡 T1 对 DSC 的影响相当；U 型网络的跳跃连接会把重采样伪影一并传入解码器。CoReFuse-Med 由 LACE、IMSH 与 MBCF 三部分组成，分别负责各向异性编码、浅层结构基底与残差传递、深层共享语义空间中的模态贡献重校准。论文报告在 EPVS、BraTS、WMH 三个数据集上的分割指标优于对比方法 MedNeXt，其中 WMH 上参数量为 2.665M。

限制与来源

研究边界明确：问题限定为空间对齐后的分辨率下降，不涉及模态未对齐或全部缺失，也未覆盖所有强噪声场景；在严重退化区域，模型主要是防止污染破坏高质量模态，而非恢复已丢失的信息。上述数值均为论文自报结果，尚未获独立复现确认，实际表现以论文与代码仓库当前信息为准。来源：雷峰网，论文链接 arxiv.org/abs/2609.10261，代码仓库 github.com/lrever/CoReFuse。