基于Segment Anything模型的交叉提示一致性半监督医学图像分割

半监督学习(SSL)在医学图像分割中取得了显著进展。为了实现有效的SSL，模型需要能够高效地从有限的有标签数据中学习，并有效利用大量无标签数据中的知识。视觉基础模型的最新发展，例如Segment Anything Model (SAM)，已展现出卓越的适应性并提高了样本效率。为利用基础模型在SSL应用中的能力，我们提出了一种基于Segment Anything模型的交叉提示一致性方法(CPC-SAM)，用于半监督医学图像分割。我们的方法利用了SAM独特的提示设计，并在双分支框架内创新了一种交叉提示策略，以自动生成两个解码器分支之间的提示和监督，从而能够有效地从稀缺的有标签数据和有价值的无标签数据中学习。我们进一步设计了一种新颖的提示一致性正则化，以减少提示位置敏感性并增强不同提示下的输出不变性。我们在两个医学图像分割任务上验证了我们的方法。在不同标签数据比例和模态下的大量实验表明，我们提出的方法优于最先进的SSL方法，在乳腺癌分割任务上Dice系数提升了超过9%。