一息肉识别所有：基于 SAM 与级联先验及迭代提示演化的单样本息肉分割
计算机视觉与模式识别
2025-07-23 v1
摘要
息肉分割对于早期结直肠癌检测至关重要，然而传统的全监督方法难以应对形态变异性和域偏移，需要频繁重训练。此外，由于息肉边界标注耗时且易错，对大规模标注的依赖成为主要瓶颈。最近，诸如 Segment Anything Model (SAM) 等视觉基础模型展现出了强大的泛化能力和稀疏提示下的细粒度边界检测能力，有效解决了息肉分割的关键挑战。然而，SAM 依赖提示的特性限制了其在医学应用中的自动化，因为为每张图像手动输入提示既费时又费力。我们提出了 OP-SAM，一个基于 SAM 的单样本息肉分割框架，能够从单张标注图像中自动生成提示，确保在无额外标注负担的情况下实现准确且可泛化的分割。我们的方法引入了基于相关性的先验生成 (CPG) 用于语义标签迁移，以及尺度级联先验融合 (SPF) 来适应息肉尺寸变化并滤除噪声迁移。我们设计了欧氏提示演化 (EPE) 用于迭代提示优化，逐步提升分割质量，而非一次性倾倒所有提示。在五个数据集上的广泛评估验证了 OP-SAM 的有效性。值得注意的是，在 Kvasir 上它达到了 76.93% 的 IoU，超越了 SOTA 11.44%。
引用
@article{arxiv.2507.16337,
title = {One Polyp Identifies All: One-Shot Polyp Segmentation with SAM via Cascaded Priors and Iterative Prompt Evolution},
author = {Xinyu Mao and Xiaohan Xing and Fei Meng and Jianbang Liu and Fan Bai and Qiang Nie and Max Meng},
journal= {arXiv preprint arXiv:2507.16337},
year = {2025}
}
备注
accepted by ICCV2025