E-BayesSAM：基于自优化 KAN 的高效贝叶斯 SAM 适配，专为不确定性感知超声分割
计算机视觉与模式识别
2025-08-26 v1
摘要
尽管 Segment Anything Model (SAM) 已在医学图像分割中取得进展，但其贝叶斯适应以实现不确定性感知分割仍面临三个关键问题：(1) 对大型预训练 SAM 进行贝叶斯微调的不稳定性；(2) 由于 SAM 参数庞大导致的高计算成本；(3) SAM 的黑箱设计限制了可解释性。为克服这些问题，我们提出 E-BayesSAM，一个高效框架，集成 Token-wise Variational Bayesian Inference (T-VBI) 用于高效贝叶斯适配，以及 Self-Optimizing Kolmogorov-Arnold Network (SO-KAN) 用于提升可解释性。T-VBI 创新性地将 SAM 的输出标记重新解释为动态概率权重，并对其进行重参数化作为潜在变量，而无需额外训练，实现无训练的贝叶斯推断以进行不确定性估计。SO-KAN 通过自监督学习利用可学习的样条激活函数改进标记预测，提供剔除冗余标记以提升效率和准确性的洞见。在五个超声数据集上的实验表明，E-BayesSAM 实现了：(i) 实时推理（0.03 秒/图像），(ii) 更佳的分割准确性（平均 DSC：修剪版 E-BayesSAM 为 89.0% vs. E-BayesSAM 为 88.0% vs. MedSAM 为 88.3%），以及 (iii) 识别决定 SAM 决策的四个关键标记。通过统一效率、可靠性和可解释性，E-BayesSAM 桥接了 SAM 的多样性与临床需求，推动了在安全关键医疗应用中的部署。源代码可在 https://github.com/mp31192/E-BayesSAM 查看。
引用
@article{arxiv.2508.17408,
title = {E-BayesSAM: Efficient Bayesian Adaptation of SAM with Self-Optimizing KAN-Based Interpretation for Uncertainty-Aware Ultrasonic Segmentation},
author = {Bin Huang and Zhong Liu and Huiying Wen and Bingsheng Huang and Xin Chen and Shuo Li},
journal= {arXiv preprint arXiv:2508.17408},
year = {2025}
}
备注
Accepted by MICCAI 2025