基于无提示 SAM 的乳腺超声腺瘤分割与分类多任务框架
计算机视觉与模式识别
2026-01-12 v1 人工智能
机器学习
摘要
乳腺超声（BUS）成像中准确的肿瘤分割与分类仍面临低对比度、散粒噪声和多样化腺瘤形态的挑战。本研究提出了一种多任务深度学习框架，联合完成腺瘤的分割与诊断分类，使用 Segment Anything Model（SAM）视觉编码器的嵌入。不同于基于提示的 SAM 变体，本方法采用无提示、完全监督的方式，通过轻量级卷积头或类 UNet 解码器对高维 SAM 特征进行解码，以实现像素级分割。分类分支通过掩码引导注意力机制增强，使模型能够聚焦于腺瘤相关特征，同时抑制背景噪声。在以 80% 训练、20% 测试比例划分的 PRECISE 2025 乳腺超声数据集上实验结果表明，所提方法达到 Dice 相似系数（DSC）为 0.887，准确率为 92.3%，在 PRECISE 挑战赛的排行榜中名列前茅。这些结果表明，SAM 基于的表征与分割引导学习相结合，显著提高了乳腺超声成像中的腺瘤描绘和诊断预测。
引用
@article{arxiv.2601.05498,
title = {Prompt-Free SAM-Based Multi-Task Framework for Breast Ultrasound Lesion Segmentation and Classification},
author = {Samuel E. Johnny and Bernes L. Atabonfack and Israel Alagbe and Assane Gueye},
journal= {arXiv preprint arXiv:2601.05498},
year = {2026}
}