BALR-SAM：面向医学图像分割的基于边界感知的低秩适配SAM
计算机视觉与模式识别
2025-11-03 v2 人工智能
摘要
视觉基础模型如Segment Anything Model（SAM），预训练于大规模自然图像数据集，常在医学图像分割任务中表现不佳，因缺乏针对特定医学领域的适配。临床实践中，对SAM进行高效微调以满足医学下游任务的最小资源需求，同时保持卓越性能，具有挑战。为此，我们提出BALR-SAM，一种基于边界感知的低秩适配框架，增强SAM适用于医学影像。它包含三个量身定制组件：（1）Complementary Detail Enhancement Network（CDEN），采用深度可分离卷积和多尺度融合以捕获边界敏感特征，确保精准分割；（2）集成到SAM Vision Transformer模块中的低秩适配器，优化医学场景下的特征表示与注意力，同时显著压缩参数空间；（3）mask decoder中的低秩张量注意力机制，使内存使用降低75%，推理速度提升。实验表明，在标准医学分割数据集上，BALR-SAM无需任何提示即可超越多个最先进（SOTA）方法，包括全参数微调的MedSAM，仅更新1.8%（11.7百万）参数即可实现。
引用
@article{arxiv.2509.24204,
title = {BALR-SAM: Boundary-Aware Low-Rank Adaptation of SAM for Resource-Efficient Medical Image Segmentation},
author = {Zelin Liu and Sicheng Dong and Bocheng Li and Yixuan Yang and Jiacheng Ruan and Chenxu Zhou and Suncheng Xiang},
journal= {arXiv preprint arXiv:2509.24204},
year = {2025}
}