MedSeg-R：基于临床推理的医学图像分割
计算机视觉与模式识别
2025-06-24 v1
摘要
医学图像分割因解剖结构重叠、边界模糊以及前景与背景类别之间的严重不平衡而具有挑战性，这尤其影响小病灶的描绘。现有方法，包括编码器-解码器网络和基于提示的Segment Anything Model (SAM)变体，过度依赖局部线索或用户提示，缺乏整合的语义先验，因而难以在低对比度或重叠目标上良好泛化。为解决这些问题，我们提出了MedSeg-R——一个受临床推理启发的轻量级双阶段框架。认知阶段将医学报告解释为结构化语义先验（位置、纹理、形状），通过Transformer模块进行融合。在感知阶段，这些先验调制了SAM主干网络：空间注意力突出显示可能的病灶区域，动态卷积适应预期纹理的特征滤波器，形变采样细化空间支持。通过在早期嵌入这种细粒度指导，MedSeg-R解耦了类别间的混淆，放大了少数类线索，显著提高了对小病灶的灵敏度。在具有挑战性的基准测试中，MedSeg-R在重叠和模糊结构上实现了显著的Dice系数提升，展示了与SAM-based系统的即插即用兼容性。
引用
@article{arxiv.2506.18669,
title = {MedSeg-R: Medical Image Segmentation with Clinical Reasoning},
author = {Hao Shao and Qibin Hou},
journal= {arXiv preprint arXiv:2506.18669},
year = {2025}
}