面向组织病理核 segmentation 的轻量级无提示 SAM 适配及其强跨数据集泛化
计算机视觉与模式识别
2026-03-24 v1
摘要
组织病理核 segmentation 是定量组织分析和癌症诊断的关键任务。虽然已有分割方法取得了强大的性能，但往往计算沉重且在跨数据集上泛化有限，制约了其实际部署。最近的 SAM-based 方法在通用和医学成像领域展现出巨大的潜力，但通常依赖提示引导或复杂解码器，使其不太适用于核密集且外观异质的组织病理图像。我们提出一种无提示且轻量级的 SAM 适配方法，利用多级编码器特征和残差解码实现准确且高效的核 segmentation。该框架仅在冻结的 SAM 编码器内部微调 LoRA 模块，仅需 4.1M 可训练参数。基于 TNBC、MoNuSeg 和 PanNuke 三个基准数据集的实验表明，所提框架实现了最先进的性能并展现出强大的跨数据集泛化，凸显了该框架在组织病理应用中的有效性和实用性。
引用
@article{arxiv.2603.20326,
title = {Prompt-Free Lightweight SAM Adaptation for Histopathology Nuclei Segmentation with Strong Cross-Dataset Generalization},
author = {Muhammad Hassan Maqsood and Yanming Zhu and Alfred Lam and Getamesay Dagnaw and Xuefei Yin and Alan Wee-Chung Liew},
journal= {arXiv preprint arXiv:2603.20326},
year = {2026}
}