基于零样学习方法的 SAM2 自动三维 CT 扫描分割
计算机视觉与模式识别
2026-03-25 v1
摘要
Foundation 模型在图像分割领域展现出强大的泛化能力，但在 3D 医学影像中的应用仍受限。本文研究在不进行任何微调或领域特定训练的情况下，将 Segment Anything Model 2 (SAM2) 应用于三维 CT 数据的零样学习分割。我们分析 SAM2 应用于 CT 体数据的方式，识别其主要局限性：缺乏内在的体数据感知能力。为此，我们提出一套推理阶段的架构和程序修改，将 SAM2 基于视频的记忆机制适配 3D 数据，方法是将 CT 切片视为有序序列。我们对来自 TotalSegmentator 数据集子集 500 例 CT 扫描进行系统消融研究，评估提示策略、记忆传播方案和多遍细化。基于这些发现，我们选取最佳配置方案，在规模更大的 TotalSegmentator 数据集（共 2500 例 CT 扫描）上报告最终结果。我们的结果表明，即使保持模型权重冻结，SAM2 在其推理管道被精心结构化后，仍能产生连贯的 3D 分割，证明了完全零样学习方法在体积医学图像分割中的可行性。
引用
@article{arxiv.2603.23116,
title = {Automatic Segmentation of 3D CT scans with SAM2 using a zero-shot approach},
author = {Miquel Lopez Escoriza and Pau Amargant Alvarez},
journal= {arXiv preprint arXiv:2603.23116},
year = {2026}
}
备注
11 pages, 5 figures