跨模态MRI分割是一种有价值的医学诊断方法，但现有方法难以处理领域变化的局部差异，并需要大量数据进行训练。研究者提出了一种新颖的自适应领域泛化框架，结合了无学习跨领域表示和测试时适应策略。该方法在验证中表现优于竞争方法，并在有限的训练数据下表现稳定。

该研究介绍了一种新的自适应领域泛化（ADG）任务，通过将预先训练的源模型与具有先验领域知识的目标领域进行适应。研究人员构建了一个包含39万个真实领域图像的新数据集DomainVerse，并提出了两种免调优的自适应领域泛化方法。实验证明了数据集的重要性和方法的有效性。

MRI分割是一种有价值的医学诊断方法，但现有方法难以处理领域变化的局部差异，并需要大量数据进行训练。研究人员提出了一种新颖的自适应领域泛化框架，结合了无学习跨领域表示和测试时适应策略。在两个多模态MRI数据集上验证了该方法，在六个跨模态分割任务中表现优于竞争方法，且在有限的训练数据下表现稳定。