DiffuSAM：基于扩散模型的无提示SAM2用于few-shot和源自医学图像分割
计算机视觉与模式识别
2026-04-28 v1
摘要
诸如Segment Anything Model (SAM) 和SAM2的分割模型在以提示驱动的零样本性能方面取得了强劲的表现。然而，这些模型在自然图像上训练，限制了其向医学数据的迁移。因此，准确的分割通常需要大量微调和专家设计的提示。我们提出DiffuSAM，这是一种基于扩散模型的SAM2适应方法，用于无提示医学图像分割。我们的框架通过来自即插即用冻结SAM2图像特征的轻量级扩散先验合成SAM2兼容的分割掩码样嵌入。生成的嵌入被集成到SAM2的掩码解码器中，以产生准确的分割，从而消除对用户提示的需求。扩散先验还可针对之前分割的切片进行条件化，以在体数据中强制空间一致性。在BTCV和CHAOS数据集上进行CT和MRI下的源自无监督域适应(SF-UDA)和few-shot设置下的评估表明，DiffuSAM在高效训练和推理方面实现了与竞争性的性能。代码将在请求对应作者时提供。
引用
@article{arxiv.2604.24719,
title = {DiffuSAM: Diffusion-Based Prompt-Free SAM2 for Few-Shot and Source-Free Medical Image Segmentation},
author = {Tal Grossman and Noa Cahan and Lev Ayzenberg and Hayit Greenspan},
journal= {arXiv preprint arXiv:2604.24719},
year = {2026}
}