层次化自提示SAM：无提示医学图像分割框架
计算机视觉与模式识别
2025-06-04 v1
摘要
虽然Segment Anything Model(SAM)在自然图像分割中效果极佳，但需要依赖提示，这限制了其在医学成像中应用，因为手动提示往往不可用。现有的尝试微调SAM以进行医学分割的工作通常难以消除这种依赖。我们提出层次化自提示SAM(HSP-SAM)，一种新颖的自提示框架，使SAM能够在无提示医学图像分割中实现卓越性能。不同于以往的自提示方法仅局限于类似vanilla SAM 的位置提示，我们是首次引入在自提示过程中学习抽象提示。这一简单直观的自提示框架在经典分割任务(如结肠息肉和皮肤病灶分割)上实现了优异性能，同时在多样化的医学成像模态间保持鲁健性。此外，它在未见数据集上表现出强大的泛化能力，在一些具有挑战性的基准测试中相较于前沿方法实现了最高可达14.04%的提升。这些结果表明，抽象提示比位置提示更能封装更丰富和更高维的语义信息，从而增强模型的鲁健性和泛化性能。所有模型和代码将在接受后发布。
引用
@article{arxiv.2506.02854,
title = {Hierarchical Self-Prompting SAM: A Prompt-Free Medical Image Segmentation Framework},
author = {Mengmeng Zhang and Xingyuan Dai and Yicheng Sun and Jing Wang and Yueyang Yao and Xiaoyan Gong and Fuze Cong and Feiyue Wang and Yisheng Lv},
journal= {arXiv preprint arXiv:2506.02854},
year = {2025}
}