聚焦背景：基于背景导向提示探索SAM在少样本医学图像分割中的潜力
计算机视觉与模式识别
2026-03-24 v1
摘要
传统的少样本医学图像分割（FSMIS）方法面临性能瓶颈，致使其在更广泛的临床应用中受限。虽然 Segment Anything Model（SAM）显示出强大的类别无关分割能力，但其直接应用于医学图像常会导致过度分割，由于解剖边界模糊。本文将 SAM-based FSMIS 重新表述为提示局部化任务，提出 FoB（Focus on Background，聚焦背景），一个以背景为中心的提示生成器，提供准确的背景提示以约束 SAM 的过度分割。具体而言，FoB 通过类别无关的支持背景提示生成，桥接分割与提示局部化之间的差距，并直接在查询图像中对其进行局部化。为解决针对新类别的提示局部化挑战，FoB 模型化丰富的上下文信息以捕获前景-背景空间依赖关系。此外，针对医学图像中背景提示的固有结构模式，FoB 将其建模为约束，以逐步细化背景提示预测。在三个多样化医学图像数据集上的实验表明，FoB 以显著优势超过其他基线，实现了 FSMIS 的最新性能，并展现出强大的跨域泛化能力。我们的代码已公开于 https://github.com/primebo1/FoB_SAM。
引用
@article{arxiv.2603.21287,
title = {Focus on Background: Exploring SAM's Potential in Few-shot Medical Image Segmentation with Background-centric Prompting},
author = {Yuntian Bo and Yazhou Zhu and Piotr Koniusz and Haofeng Zhang},
journal= {arXiv preprint arXiv:2603.21287},
year = {2026}
}
备注
Accepted by CVPR26