OFL-SAM2：结合在线少样本学习器提示 SAM2 实现高效医学图像分割
计算机视觉与模式识别
2026-01-01 v1
摘要
Segment Anything Model 2 (SAM2) 在视频数据中展示了卓越的可提示视觉分割能力，显示出扩展到涉及 3D 体积和时间相关的 2D 图像序列的医学图像分割 (MIS) 任务的潜力。然而，将 SAM2 适配到 MIS 面临若干挑战，包括需要大量带标注的医学数据进行微调以及高质量的人工提示，这两者都是劳动密集型的，且需要医学专家的介入。为了解决这些挑战，我们引入了 OFL-SAM2，一个用于标签高效 MIS 的无提示 SAM2 框架。我们的核心思想是利用有限的标注样本来训练一个轻量级的映射网络，该网络捕获医学知识并将通用图像特征转换为目标特征，从而为每一帧提供额外的判别性目标表示，并消除对人工提示的需求。至关重要的是，该映射网络支持在推理过程中进行在线参数更新，从而增强了模型在测试序列上的泛化能力。在技术上，我们引入了两个关键组件：(1) 一个在线少样本学习器，用于训练映射网络以利用有限数据生成目标特征；(2) 一个自适应融合模块，该模块动态地将目标特征与冻结的 SAM2 生成的记忆注意力特征相融合，从而实现准确且鲁棒的目标表示。在三个不同的 MIS 数据集上进行的大量实验表明，OFL-SAM2 在有限训练数据下实现了最先进的性能。
引用
@article{arxiv.2512.24861,
title = {OFL-SAM2: Prompt SAM2 with Online Few-shot Learner for Efficient Medical Image Segmentation},
author = {Meng Lan and Lefei Zhang and Xiaomeng Li},
journal= {arXiv preprint arXiv:2512.24861},
year = {2026}
}