面向医学图像分割的基础模型课程提示

将大型预训练基础模型（如SAM）适配于医学图像分割仍然是一个重大挑战。其中一个关键步骤涉及制定一系列包含特定临床指令的专门提示。以往的工作严重依赖于为每个实例使用单一类型的提示，需要手动输入理想正确的提示，这效率较低。为了解决这个问题，我们提出利用不同粒度的提示，这些提示源自原始图像，以提供更广泛的临床视角。然而，由于潜在的冲突，组合不同类型的提示可能构成挑战。为此，我们设计了一种从粗到细的机制，称为课程提示，它逐步整合不同类型的提示。通过在三个不同模态的公开医学数据集上进行广泛实验，我们证明了所提方法的有效性，它不仅自动化了提示生成过程，而且与其他基于SAM的医学图像分割方法相比，性能更优。代码可在以下链接获取：https://github.com/AnnaZzz-zxq/Curriculum-Prompting。