基于指数移动平均的SAM-2 PTMC分割
计算机视觉与模式识别
2025-10-22 v1
摘要
乳头腺微微腺瘤（PTMC）日益以射频消融（RFA）进行管理，但准确的超声视频分割仍困难，因为低对比度、探头诱导的运动以及热相关的伪影。最近的Segment Anything Model 2（SAM-2）在静态图像上表现良好，但其帧独立设计导致预测不稳定和介入超声中的时间漂移。我们提出了EMA-SAM，一种轻量级的SAM-2扩展，集成置信加权的指数移动平均指针到记忆库中，为肿瘤在各帧间提供稳定的潜在原型。该设计通过探头压力和气泡遮挡保持时间一致性，同时在清晰证据重新出现时快速适应。在我们精选的PTMC-RFA数据集（124分钟，13例患者）上，EMA-SAM将maxDice提高至0.86（SAM-2为0.82），maxIoU提高至0.76（SAM-2为0.72），同时减少29%的误报。在外部基准测试中，包括VTUS和结肠镜视频多发性瘤数据集，EMA-SAM相较SAM-2在Dice分数上实现持续提升2-5分。重要的是，EMA指针仅增加<0.1%的FLOPs，保持在单张A100 GPU上约30 FPS的实时吞吐。这些结果将EMA-SAM确立为稳健且高效的框架，用于稳定的肿瘤跟踪，弥合了基础模型与介入超声严峻需求之间的鸿沟。代码可在此处获取。
引用
@article{arxiv.2510.18213,
title = {EMA-SAM: Exponential Moving-average for SAM-based PTMC Segmentation},
author = {Maryam Dialameh and Hossein Rajabzadeh and Jung Suk Sim and Hyock Ju Kwon},
journal= {arXiv preprint arXiv:2510.18213},
year = {2025}
}