从专家到通才：释放SAM在无标签医学图像上的学习潜力
计算机视觉与模式识别
2026-01-29 v2 人工智能
摘要
诸如Segment Anything Model (SAM)的基础模型展现出强大的泛化能力，然而由于领域偏移、标签稀缺以及参数高效微调（PEFT）无法利用无标签数据，将它们适配到医学图像仍然困难。虽然U-Net等传统模型在半监督医学学习中表现出色，但它们辅助PEFT SAM的潜力在很大程度上被忽视了。我们引入了SC-SAM，一个专家-通才框架，其中U-Net提供基于点的提示和伪标签以指导SAM的适配，同时SAM作为强大的通才监督者来正则化U-Net。这种相互指导形成了一个双向协同训练循环，使两个模型都能有效利用无标签数据。在前列腺MRI和息肉分割基准上，我们的方法取得了最先进的结果，优于其他现有的半监督SAM变体，甚至优于MedSAM等医学基础模型，突显了专家-通才合作对于标签高效医学图像分割的价值。我们的代码可在 https://github.com/vnlvi2k3/SC-SAM 获取。
引用
@article{arxiv.2601.17934,
title = {From Specialist to Generalist: Unlocking SAM's Learning Potential on Unlabeled Medical Images},
author = {Vi Vu and Thanh-Huy Nguyen and Tien-Thinh Nguyen and Ba-Thinh Lam and Hoang-Thien Nguyen and Tianyang Wang and Xingjian Li and Min Xu},
journal= {arXiv preprint arXiv:2601.17934},
year = {2026}
}
备注
Accepted to ISBI 2026