通过主动学习和选择性半监督微调适应医学视觉基础模型用于体积医学图像分割

医学视觉基础模型在下游任务上仍受限，尤其是体积医学图像分割。虽然在标记目标域数据上进行微调可提升性能，但现有方法通常依赖随机选择的样本，可能未能识别最具信息性的数据，从而阻碍适应。为克服此限制，我们提出了用于医学视觉基础模型高效适应的主动选择性半监督微调框架（Active Selective Semi-supervised Fine-tuning, ASSFT）。ASSFT 将 novel 主动学习策略与选择性半监督学习相结合，在有限标注预算下最大化适应性能，且无需访问源数据。具体而言，我们引入了主动测试时间样本查询策略（Active Test-Time Sample Query），通过两种互补查询指标识别目标域中信息丰富的样本：多样性知识散度（Diversified Knowledge Divergence, DKD）与解剖分割难度（Anatomical Segmentation Difficulty, ASD）。DKD 量化了预训练与目标域之间的知识差距以及目标数据集内部的语义多样性，从而选择包含以前未学习知识且保持领域内部多样性的样本。ASD 通过衡量前景区域感兴趣部位的预测不确定性来估计目标解剖结构的分割难度，使模型优先处理具有复杂解剖模式的样本，而非以背景不确定性为主导的样本。其次，我们提出了选择性半监督微调策略，以进一步提高适应性能，通过基于预测置信度和与标记样本之间的语义距离筛选可靠的无标记样本来实现，从而在避免噪声伪标签的同时维持稳定的半监督训练。