脑转移瘤分割模型换院换模态还要加新病灶：FGCARL 在 BraTS-METS 2023 上平均 Dice 达 68.28%
临床影像常按机构、模态和标注结构分批到来，分割模型既要适应新的成像分布，又要学会新增的病灶类别，同时不能忘掉旧知识。FGCARL 把双向特征统计对齐与 Fisher 信息加权的参数约束放进同一个增量学习框架，不需要回放历史患者数据。在从 UCSF-BMSR 迁移到 BraTS-METS 2023 的域与类同时变化设定中，配 Swin UNETR 的 FGCARL 在新域三个肿瘤区域上平均 Dice 为 68.28%，高于对比中最强的 CLAMTS 的 60.94%。