LapFM：基于层次概念演化预训练的腔镜分割基础模型
计算机视觉与模式识别
2025-12-10 v1
摘要
手术分割是实现场景理解的关键技术，但因标注稀缺以及不同手术程序间的语义不一致性，仍面临较大挑战。现有方法通常通过有限的监督信号对自然基础模型（如 SAM）进行微调，仅作为领域适配器发挥作用，因而难以在手术目标的广泛变异性上实现泛化。为弥合这一差距，本文提出 LapFM，一种旨在从海量无标签手术图像中演化出鲁棒分割能力的基础模型。不同于依赖低效自监督代理任务的医学基础模型，LapFM 采用层次概念演化预训练范式。首先，借助带有父子查询嵌入的层次掩码解码器构建腔镜概念层次 (LCH)，将多样化实体（即解剖结构、组织与器械）统一纳入可扩展的知识结构，实现跨粒度语义一致性。其次，提出基于置信度的演化标记 (Confidence-driven Evolving Labeling)，迭代生成并筛选基于层次一致性的伪标签，将可靠样本逐步纳入训练，从而构建 LapBench-114K 大规模基准数据集（包含 114 千张图像-掩码对）。大量实验表明，LapFM 在通用腔镜分割任务上显著优于当前最先进方法，为粒度自适应泛化奠定新标准。源代码已公开于 https://github.com/xq141839/LapFM。
引用
@article{arxiv.2512.08439,
title = {LapFM: A Laparoscopic Segmentation Foundation Model via Hierarchical Concept Evolving Pre-training},
author = {Qing Xu and Kun Yuan and Yuxiang Luo and Yuhao Zhai and Wenting Duan and Nassir Navab and Zhen Chen},
journal= {arXiv preprint arXiv:2512.08439},
year = {2025}
}