基于域感知选择性适应的少样本通用医学图像分割

医学图像分割因域间差异、数据模态变化以及对域知识或专家依赖等问题而面临挑战，尤其在中低收入国家（LMICs）地区。然而对于人类而言，仅凭少数示例（伴随相应标签），即可对不同医学图像进行分割，而无需 extensive 的领域特定临床训练。此外，当前的 SAM-based 医学分割模型在测试阶段使用细粒度视觉提示（如从手动标注的目标分割掩码生成的边界矩形）作为边界框（bbox）提示，但在实际临床场景中，几乎不存在此类精确的先验知识。我们的实验结果也表明，若给定较粗糙的bbox提示，先前模型几乎无法预测。在考虑这些问题后，本文提出一种基于域感知的选择性适应方法，通过仅获取少量（例如不到 5 个）示例，将大模型在自然图像上学习到的通用知识适配到相应的医学域/模态中。我们的方法缓解了上述局限性，为中低收入国家提供了一种高效且友好的解决方案。广泛的实验分析表明，我们的方法有效，为医疗诊断和中低收入国家的临床应用带来了潜在的突破。