主动且序贯地适配基础模型用于少样本医学图像分割
计算机视觉与模式识别
2025-02-04 v1
摘要
基础模型的最新进展在计算机视觉领域，包括医学图像分割中，带来了令人鼓舞的成果。在特定的低资源医学任务上微调基础模型已成为一种标准实践。然而，当目标任务存在较大的领域差距且仅有少量标注样本时，确保模型适配的可靠性和鲁棒性仍然是一个挑战。以往的少样本领域自适应（FSDA）方法试图通过利用辅助数据来弥合源域和目标域之间的分布差距。辅助数据的选择和调度通常基于启发式方法，这很容易导致负迁移。在这项工作中，我们提出了一个用于FSDA中动态辅助数据集选择的主动序贯领域自适应（ASAP）框架。我们将FSDA形式化为一个多臂老虎机问题，并推导出一个高效的奖励函数，通过单轮微调来优先选择与目标任务紧密对齐的辅助数据集进行训练。在多种医学分割数据集上的实证验证表明，我们的方法取得了优越的分割性能，显著优于最先进的FSDA方法，在Dice分数上，MRI数据集平均提升27.75%，CT数据集平均提升7.52%。代码可在git仓库获取：https://github.com/techicoco/ASAP。
引用
@article{arxiv.2502.01000,
title = {Adapting Foundation Models for Few-Shot Medical Image Segmentation: Actively and Sequentially},
author = {Jingyun Yang and Guoqing Zhang and Jingge Wang and Yang Li},
journal= {arXiv preprint arXiv:2502.01000},
year = {2025}
}