MedSAMix：面向医学图像分割的无训练模型融合方法
计算机视觉与模式识别
2025-08-18 v1
摘要
通用医学图像分割模型因其在 diverse 任务上的强大可泛性，展现出巨大的潜力，适用于广泛的临床应用。这一潜力部分归功于通用视觉模型（如 Segment Anything Model, SAM）的成功，激发了开发各种针对医学分割任务的微调变体。然而，经过微调的变体（如 MedSAM）是在相对有限的医学影像数据上训练的，这些数据常常存在异质性、标注稀缺和分布性偏移的问题。这限制了其在广泛医学分割任务上的泛化能力。鉴于此，我们提出 MedSAMix，一种用于医学图像分割的无训练模型融合方法，整合了通用模型（如 SAM）和专家模型（如 MedSAM）的优势。与传统模型融合方法依赖手动配置且常导致次优结果不同，我们提出一种零阶优化方法自动发现最优的层级融合方案。此外，针对临床应用，我们开发了两种模式以满足特定领域性和可泛性在不同场景下的需求，分别通过单任务优化和多目标优化。广泛在 25 项医学分割任务上的评估表明，MedSAMix有效缓解了模型偏见，在域内准确性和可泛性方面均实现了性能提升，分别在专门任务上提升了 6.67%，在多任务评估中提升了 4.37%。
引用
@article{arxiv.2508.11032,
title = {MedSAMix: A Training-Free Model Merging Approach for Medical Image Segmentation},
author = {Yanwu Yang and Guinan Su and Jiesi Hu and Francesco Sammarco and Jonas Geiping and Thomas Wolfers},
journal= {arXiv preprint arXiv:2508.11032},
year = {2025}
}