When Fusion Fails: Corruption-Aware Rebalanced Fusion for Multi-Modal Medical Image Segmentation摘要关键词1 引言2 相关工作3 问题分析3.1 一个意外发现：对齐质量不匹配下的融合失败3.2 跨分辨率多模态数据中的隐藏噪声3.3 融合网络采取贪婪捷径3.4 结论与讨论4 方法4.1 框架概述4.2 轻量轴向上下文编码器4.3 模态间空间尺度协调4.4 模态偏差校准融合5 实验5.1 数据集与实现细节5.2 比较方法与评估指标5.3 定量结果与分析5.4 定性视觉分析5.5 消融研究6 局限性与未来工作7 结论致谢Multi-Modal Medical Image SegmentationYuchen Pei ycpei@ccnu.edu.cn 华中师范大学 武汉，中国Xiaoyu Hu xiaoyu_hu@mails.ccnu.edu.cn 华中师范大学 武汉，中国Yixiong Zou yixiongz@hust.edu.cn 华中科技大学 武汉，中国Dingwen Hu 20231110467@stu.gzucm.edu.cn 广州中医药大学 广州，中国Hui Chu chuhui2019@163.com 广州中医药大学 广州，中国Yutao Ma ytma@ccnu.edu.cn 华中师范大学 武汉，中国Shijun Qiu qiushijun1961@gzucm.edu.cn 广州中医药大学第一附属医院 广州，中国Gang Li gang_li@med.unc.edu 北卡罗来纳大学教堂山分校 教堂山，美国摘要多模态医学图像分割利用互补的诊断信息，然而当空间对齐的输入在质量上存在差异时，融合的表现可能不如单模态基线。在此，"腐败"主要指由分辨率引起的退化，而非错位或完全缺失模态，合成噪声仅作为辅助设置进行评估。我们发现了一个关键的优化-推理不一致性：退化的模态可能获得较弱的训练更新，却对预测产生实质性影响，表明其对融合存在主动干扰。我们将这一失败归因于重采样引起的特征腐败和优化偏差，其中噪声特征通过跳跃连接传播，并促使不可靠的模态选择。因此，我们提出了 CoReFuse-Med，一个腐败感知的重平衡融合框架，在特征传输过程中抑制腐败，并在