RAP：用于无训练少样医学图像分割的检索、适应与提示匹配
计算机视觉与模式识别
2026-03-31 v1 人工智能
摘要
少样医学图像分割 (FSMIS) 已取得显著进展，但大多数现有方法主要依赖稀缺注释中的语义对应关系，而未充分利用医学图像的一个关键特性：解剖靶标在患者和获取条件下表现出可重复的高频形态结构（如边界几何和空间布局）。我们提出了 RAP 框架，用于检索、适应和提示匹配，以实现 FSMIS。首先，RAP 使用 DINOv3 特征从档案中检索形态上兼容的支撑样本，以减少单支撑选择的脆弱性。其次，它通过拟合边界感知的结构线索来适应检索得到的支撑掩码，以生成域迁移下的解剖一致性预掩模。最后，RAP 通过 Voronoi 分区采样正点并通过扇形采样采样负点，将预掩模转换为提示输入 SAM2 进行最终细化，无需任何微调。在多个医学分割基准测试上进行的广泛实验表明，RAP 持续超越了先前的 FSMIS baseline 并实现了最新的性能。总体而言，RAP 证明了显式结构匹配结合检索增强式提示匹配为鲁棒的无训练少样医学图像分割提供了简单而有效的途径。
引用
@article{arxiv.2603.27705,
title = {RAP: Retrieve, Adapt, and Prompt-Fit for Training-Free Few-Shot Medical Image Segmentation},
author = {Zhihao Mao and Bangpu Chen},
journal= {arXiv preprint arXiv:2603.27705},
year = {2026}
}
备注
This paper has been accepted by IJCNN 2026