SAMora：通过层次自监督预训练提升 SAM 在医学图像中的表现
图像与视频处理
2025-11-13 v1 人工智能
计算机视觉与模式识别
摘要
Segment Anything Model（SAM）在医学图像分割方面展现出巨大的潜力。然而，当仅有少量标记数据时，其性能受限，而医学数据中往往被忽视的层次化信息丰富。为此，我们借鉴自监督学习的思路，提出SAMora，这是一个创新的框架，通过在图像、补丁和像素级别应用互补的自监督学习目标来捕获层次化医学知识。为充分利用LoRAs中层次知识的互补性，我们引入了HL-Attn，一个层次融合模块，用于在保持各特征特性的同时整合多尺度特征。SAMora与各种SAM变体兼容，包括SAM2、SAMed和H-SAM。在Synapse、LA和PROMISE12数据集上的实验结果表明，SAMora在性能上优于现有的SAM变体。在少样本和完全监督设置下均实现了最先进的性能，同时将微调周期减少了90%。代码已公开：https://github.com/ShChen233/SAMora
引用
@article{arxiv.2511.08626,
title = {SAMora: Enhancing SAM through Hierarchical Self-Supervised Pre-Training for Medical Images},
author = {Shuhang Chen and Hangjie Yuan and Pengwei Liu and Hanxue Gu and Tao Feng and Dong Ni},
journal= {arXiv preprint arXiv:2511.08626},
year = {2025}
}