重新思考基于SAM2的少样本医学图像分割：无训练框架的增强式提示与动态匹配
图像与视频处理
2025-03-10 v1 计算机视觉与模式识别
摘要
大规模标记数据集的依赖是医学图像分割面临的重大挑战。少样本学习提供了潜在解决方案，但现有方法仍需要大量训练数据。本文提出了一种新方法，利用Segment Anything Model 2（SAM2），这是一种具有强大视频分割能力的视觉基础模型。我们将3D医学图像体积概念化为视频序列，超越传统的逐层分割范式。我们的核心创新是支持查询匹配策略：我们对单个标记支持图像进行广泛数据增强，并为查询体积中的每个帧算法性地选择最类似的增强支持图像。该选定图像及其对应的掩码用作掩码提示，驱动SAM2的视频分割。该方法完全避免了模型重新训练或参数更新。我们在基准少样本医学图像分割数据集上实现了最先进的性能，在准确性和标注效率方面取得显著提升。该插即用方法为3D医学图像分割提供了强大且通用的解决方案。
引用
@article{arxiv.2503.04826,
title = {Rethinking Few-Shot Medical Image Segmentation by SAM2: A Training-Free Framework with Augmentative Prompting and Dynamic Matching},
author = {Haiyue Zu and Jun Ge and Heting Xiao and Jile Xie and Zhangzhe Zhou and Yifan Meng and Jiayi Ni and Junjie Niu and Linlin Zhang and Li Ni and Huilin Yang},
journal= {arXiv preprint arXiv:2503.04826},
year = {2025}
}