CORE-Seg：基于强化学习的推理驱动复杂病灶分割

医学图像分割正从视觉模式匹配向认知推理分析转变。针对现有通用多模态大模型缺乏专业视觉推理能力、传统分割模型缺乏逻辑可解释性的问题，本文提出了首个推理驱动复杂病灶分割的思维链基准 ComLesion-14K。为此，作者设计了 CORE-Seg 端到端框架，通过语义引导提示适配器融合推理与分割。该方法采用从监督微调到群相对策略优化的渐进式训练策略，并配备自适应双粒度奖励机制以缓解奖励稀疏问题。实验结果显示，该方法平均 Dice 系数达 37.06%，显著优于基线，同时将失败率降至 18.42%。