CLoPA：面向医学图像标注的持续低参数交互式分割适应
计算机视觉与模式识别
2026-03-09 v1 人工智能
机器学习
摘要
交互式分割使临床医生能够引导标注，但现有的零样本模型如 nnInteractive 在跨越多样化医学成像任务时难以持续达到专家水平的性能。由于标注活动产生不断增长的任务特定标注数据，针对分割模型的在线适应是零样本推断的自然补充。我们提出 CLoPA（Continual Low Parameter Adaptation），一种在标注缓存上调优 nnInteractive 小部分参数的持续适应策略，通过轻量级剂次调度触发。CLoPA 无需新增参数或更改推理管道，完全在现有标注工作流程内运行。在覆盖多种解剖目标和成像特征的 8 个医学分割竞赛任务上，CLoPA 能够迅速提升性能至专家水平，即便是 nnInteractive 之前失败的任务亦可实现，大多数收益在单个训练剂次后即达到。我们还展示，针对不同参数组的调优收益取决于任务特征和数据 regime；对于几何复杂的靶标（如肝脏血管），实例归一化和低层特征调优会饱和，暗示在最具挑战性的情景中需要更深层的特征表示对齐。
引用
@article{arxiv.2603.06426,
title = {CLoPA: Continual Low Parameter Adaptation of Interactive Segmentation for Medical Image Annotation},
author = {Parhom Esmaeili and Chayanin Tangwiriyasakul and Eli Gibson and Sebastien Ourselin and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:2603.06426},
year = {2026}
}
备注
10 pages, 2 figures