SAMed-2：选择性记忆增强的医学分割一切模型
计算机视觉与模式识别
2025-07-08 v1
摘要
近期的“分割一切”研究通过从大规模数据中学习展现出了潜力，但由于医学数据的复杂性、标注噪声以及跨多种模态与解剖结构的持续学习需求，将此类模型直接适配于医学图像仍具挑战。在本工作中，我们提出了 SAMed-2，一种基于 SAM-2 架构构建的医学图像分割新基础模型。具体而言，我们在图像编码器中引入时间适配器以捕捉图像关联，并引入置信度驱动的记忆机制以存储高确定性特征供后续检索。这种基于记忆的策略对抗了大规模医学数据集中普遍存在的噪声，并缓解了在遇到新任务或模态时的灾难性遗忘。为训练和评估 SAMed-2，我们构建了 MedBank-100k，一个涵盖七种成像模态和 21 项医学分割任务的综合数据集。我们在内部基准和 10 个外部数据集上的实验表明，在多任务场景下其性能优于 SOTA 基线。代码获取地址：https://github.com/ZhilingYan/Medical-SAM-Bench。
引用
@article{arxiv.2507.03698,
title = {SAMed-2: Selective Memory Enhanced Medical Segment Anything Model},
author = {Zhiling Yan and Sifan Song and Dingjie Song and Yiwei Li and Rong Zhou and Weixiang Sun and Zhennong Chen and Sekeun Kim and Hui Ren and Tianming Liu and Quanzheng Li and Xiang Li and Lifang He and Lichao Sun},
journal= {arXiv preprint arXiv:2507.03698},
year = {2025}
}
备注
Accepted by MICCAI 2025