通过概率图模型将结构约束编码至 Segment Anything Model
计算机视觉与模式识别
2026-01-13 v2
摘要
尽管 Segment Anything Model (SAM) 在图像分割中取得了显著成功，但将其直接应用于医学成像仍面临根本性挑战的阻碍，包括模糊的边界、解剖关系建模不足以及缺乏不确定性量化。为了解决这些局限性，我们引入了 KG-SAM，这是一个知识引导的框架，将解剖先验与边界细化和不确定性估计协同整合。具体而言，KG-SAM 包含 (i) 一个医学知识图谱，用于编码细粒度的解剖关系；(ii) 一个基于能量的条件随机场 (CRF)，用于强制执行解剖学上一致的预测；以及 (iii) 一个不确定性感知融合模块，用于提高高风险临床场景中的可靠性。在多中心医学数据集上的大量实验证明了我们方法的有效性：KG-SAM 在前列腺分割中实现了 82.69% 的平均 Dice 分数，并在腹部分割中取得了显著提升，在 MRI 上达到 78.05%，在 CT 上达到 79.68%。这些结果确立了 KG-SAM 作为一个推进医学图像分割的鲁棒且可泛化的框架。
引用
@article{arxiv.2509.21750,
title = {Encoding Structural Constraints into Segment Anything Models via Probabilistic Graphical Models},
author = {Yu Li and Da Chang and Xi Xiao},
journal= {arXiv preprint arXiv:2509.21750},
year = {2026}
}