结合 SAM 的频率适配器用于泛化医学图像分割
计算机视觉与模式识别
2026-05-12 v1
摘要
医学图像分割是计算机辅助诊断和治疗规划中的关键任务。然而，由于成像协议、扫描仪类型和患者群体的差异导致的领域偏移，深度学习模型通常难以跨数据集泛化。传统的领域泛化 (DG) 方法利用因果特征学习、对抗一致性和风格增强来提高分割鲁棒性。虽然有效，但这些方法依赖于显式特征对齐、对抗目标或手工制作的增强，可能无法充分利用基础模型的能力。最近，Segment Anything Model (SAM) 在分割任务中展现出了强大的泛化能力。基于 SAM 的 DG 方法试图改进医学图像分割。然而，这些方法主要在空间域运行，忽略了显著影响模型鲁棒性的基于频率的差异。在本工作中，我们提出了结合 SAM 的基于频率的领域泛化 (FSAM)，一种集成低秩适应 (LoRA) 以实现高效微调并引入频率适配器以纳入频域表示用于单源领域泛化的新型框架。FSAM 通过提取领域不变的高频特征，减轻与频率相关的领域偏移，从而增强了 SAM 的分割鲁棒性。在眼底和前列腺数据集上的实验结果表明，FSAM 在领域泛化方面优于现有的传统 DG 和基于 SAM 的 DG 方法。代码和预训练模型将在 GitHub 上提供。
引用
@article{arxiv.2605.09925,
title = {Frequency Adapter with SAM for Generalized Medical Image Segmentation},
author = {Phuoc-Nguyen Bui and Van-Nguyen Pham and Duc-Tai Le and Junghyun Bum and Hyunseung Choo},
journal= {arXiv preprint arXiv:2605.09925},
year = {2026}
}
备注
Under review, 10 pages, 1 figure, 2 tables