面向 Cine-MRI 实时肿瘤跟踪的 Segment Anything 精细调优

本文解决 TrackRAD2025 挑战中在胸腹部区域 cine-MRI 序列上实现实时肿瘤跟踪的问题，面临数据稀缺的严峻约束。我们探索了两种互补策略：(i) 使用 IMPACT 相似性度量进行无监督配准，(ii) 利用 SAM 2.1 及其最新变体通过基于提示的交互实现基础模型分割。鉴于一秒的运行时限制，我们最终选择了基于 SAM 的方法。最终配置使用 SAM2.1 b+，并基于 TrackRAD2025 小型标注子集进行 mask-based 提示的微调。训练配置为最小化过拟合，采用 1024x1024 patches（batch size=1），标准数据增强，以及平衡的 Dice + IoU loss。应用统一低学习率（0.0001）作用于所有模块（提示编码器、解码器、Hiera 主干），以保留泛化性同时适应标注者特定风格。训练持续 300 个 epoch（约 12 小时，RTX A6000，48GB）。一致地应用相同的推理策略于所有解剖部位和 MRI 场强。最终模型基于在验证集上获得的最高 Dice 系数选定。在隐藏测试集上，模型获得 Dice 分数为 0.8794，整体排名第 6 位。这些结果凸显了基础模型在 MRI 引导放射治疗中实现准确且实时肿瘤跟踪的强大潜力。