CycleSAM：基于循环一致性与场景一致性特征匹配的few-shot外科场景分割
计算机视觉与模式识别
2025-07-16 v2
摘要
外科图像分割面临数据稀缺的主要挑战。通用化逐点分割模型（如 Segment-Anything Model, SAM）可缓解此问题，但因需图像特定的视觉提示，限制了其提升数据标注效率的潜力。近期方法尝试利用少数标定参考图像预测点提示，但依赖的特征匹配流程对域外数据（如外科图像）鲁棒性差。为此，我们提出 CycleSAM：一种改进的视觉提示学习方法，采用数据高效训练阶段并施加多项软约束，以生成高质量特征相似度图。CycleSAM 通过显著医学自监督特征提取器弥补域间差距，随后经简短的参数高效适配阶段，即可输出具信息性的相似度图。最终通过一系列一致性约束筛选相似度图，为每个目标实例稳健采样出多样化点提示。在四个多样化外科数据集上实验表明，CycleSAM 在 1-shot 与 5-shot 设置下相较于现有 few-shot SAM 方法，均实现 2-4 倍的性能提升，同时显著优于传统线性探针、参数高效适配及伪标签方法。
引用
@article{arxiv.2407.06795,
title = {CycleSAM: Few-Shot Surgical Scene Segmentation with Cycle- and Scene-Consistent Feature Matching},
author = {Aditya Murali and Farahdiba Zarin and Adrien Meyer and Pietro Mascagni and Didier Mutter and Nicolas Padoy},
journal= {arXiv preprint arXiv:2407.06795},
year = {2025}
}