RobustMedSAM：通过鲁棒基础模型适配实现抗退化医学图像分割
计算机视觉与模式识别
2026-04-14 v1
摘要
基于Segment Anything Model(SAM)的医学图像分割模型在干净基准上表现出色，但其可靠性在噪声、模糊、运动伪影和模态特定失真等现实图像退化下往往会下降。现有方法要么解决医学领域适配，要么解决退化鲁棒性，但未能同时兼顾两者。在SAM中，我们发现这些能力集中在互补的模块中：图像编码器保留医学先验，而掩码解码器控制退化鲁棒性。受此观察启发，我们提出RobustMedSAM，它采用模块级检查点融合，在共享的ViT-B架构下，从MedSAM初始化图像编码器，从RobustSAM初始化掩码解码器。然后，我们仅在来自MedSegBench的35个医学数据集上微调掩码解码器，这些数据集涵盖六种成像模态和12种退化类型，同时冻结其余组件以保留预训练的医学表示。我们还研究了一种基于SVD的参数高效变体，用于有限的编码器适配。在分布内和分布外基准上的实验表明，与SAM相比，RobustMedSAM将退化图像上的Dice从0.613提高到0.719(+0.106)，表明互补预训练模型的结构化融合是实现鲁棒医学图像分割的有效且实用的方法。
引用
@article{arxiv.2604.09814,
title = {RobustMedSAM: Degradation-Resilient Medical Image Segmentation via Robust Foundation Model Adaptation},
author = {Jieru Li and Matthew Chen and Micky C. Nnamdi and J. Ben Tamo and Benoit L. Marteau and May D. Wang},
journal= {arXiv preprint arXiv:2604.09814},
year = {2026}
}
备注
14 pages, 9 figures