冻结DINOv3特征经Room-Lite与校准融合注入3D U-Net，在3DRA动脉瘤分割上取得Dice 0.758并跨数据集消除全部失败病例
该工作提出DINO-3DRA双路径框架，将冻结的2D视觉基础模型DINOv3-Small特征通过Room-Lite空间混合与校准残差融合注入可训练的3D U-Net主干，在多中心3D旋转血管造影（3DRA）@neurIST数据（233例、四家机构）上实现动脉瘤分割Dice 0.758、HD95 2.75 mm、较nnU-Net提升13%，仅需5.72M可训练参数；消融显示增益来自结构化跨维度迁移而非损失设计，且在CADA（n=45）与SHINY-ICARUS（n=30）上不经微调即把Dice<0.5的失败病例从11.1%和3.3%降至0%。