面向域漂移下鲁棒脑脊液MRI分割的置信度校准正则化

Segment Anything Model（SAM）在自然图像上表现出强大的零样性能,但在医学体积数据上因域漂移和过度自信而表现不足。我们提出了CalSAM,一个轻量级适应框架: (i)通过计算3D特征图上的特征Fisher信息惩罚项（FIP）来减少编码器对域漂移的敏感性;(ii)通过置信度错位惩罚项（CMP）来惩罚基于体素的过度自信错误。合并后的损失函数$\mathcal{L}_{\mathrm{CalSAM}}$仅微调掩码解码器而保持SAM的编码器冻结。在跨中心和扫描器漂移评估中,CalSAM显著提升了准确性和校准效果:例如,在BraTS扫描器分割（Siemens→GE）中,CalSAM相对于74.6%的DSC实现了+7.4%的相对提升（达到80.1%），相对于6.3 mm的HD95实现了-26.9%的相对下降（降至4.6 mm），相对于8.6%的ECE实现了-39.5%的相对下降（降至5.2%）。在ATLAS-C（运动损伤）上,CalSAM实现了+5.3%的相对DSC提升（达到75.9%）和-32.6%的ECE相对下降（降至5.8%）。消融实验表明,FIP和CMP贡献互补性收益（p<0.01），Fisher惩罚仅增加约15%的训练时间开销。因此,CalSAM在保持冻结SAM编码器计算优势的同时,为脑脊液MRI分割提供了 improved domain generalization和更好的校准不确定性估计。