SAM2LoRA：基于组合损失引导的参数高效微调SAM2用于视网膜底图分割
计算机视觉与模式识别
2025-10-14 v1
摘要
我们提出SAM2LoRA，是一种针对视网膜底图分割调整Segment Anything Model 2 (SAM2)的参数高效微调策略。SAM2采用掩码自编码器预训练的层次化视觉Transformer进行多尺度特征解码，实现低资源环境下的快速推理；然而，微调仍具挑战性。为此，SAM2LoRA将低秩适配器集成到图像编码器和掩码解码器中，仅需少于原始可训练参数的5%。我们的分析表明，对于跨数据集的视网膜底图分割任务，组合损失函数（结合segmentationBCE、SoftDice和FocalTversky损失）对于最佳网络调优至关重要。在11个具有挑战性的视网膜底图分割数据集上评估的SAM2LoRA在血管和视网膜底灯盘分割方面表现出色，在跨数据集训练条件下达到最先进的性能。其血管和视网膜底灯盘分割的Dice分数分别最高可达0.86和0.93，AUC值最高可达0.98和0.99，在显著降低训练开销的同时实现了最先进的性能。
引用
@article{arxiv.2510.10288,
title = {SAM2LoRA: Composite Loss-Guided, Parameter-Efficient Finetuning of SAM2 for Retinal Fundus Segmentation},
author = {Sayan Mandal and Divyadarshini Karthikeyan and Manas Paldhe},
journal= {arXiv preprint arXiv:2510.10288},
year = {2025}
}
备注
Accepted for publication at the 2025 International Conference on Machine Learning and Applications (ICMLA)