SAMPO-Path：面向病理学基础模型分割的分割意图对齐偏好优化
计算机视觉与模式识别
2026-03-06 v2
摘要
基础模型在带有视觉提示的多目标分割中展现出了强大的性能，然而组织病理学图像由于细胞密度高、异质性强以及像素级监督与临床分割意图（例如，选择性分割特定类型的细胞核）之间存在差距，仍然具有挑战性。在实践中，这些意图通过多样且含噪的提示来表达，导致提示与意图不对齐以及预测不一致。我们引入了 SAMPO（Segmentation Anything Model with Preference Optimization，带偏好优化的分割一切模型），这是一个偏好对齐的微调框架，能够显式地将病理学基础模型与临床分割意图对齐。SAMPO 首次将直接偏好优化（DPO）适配于纯视觉基础模型，使其能够从最少且不完美的提示中进行准确分割。该框架包含三个关键组件：（1）在线以提示为中心的偏好挖掘，用于跨不同提示质量合成偏好对；（2）多掩码偏好学习，利用输出的模糊性进行细粒度的排序监督；（3）结合偏好优化与像素级监督的混合损失，以实现稳定训练。SAMPO 在涵盖四个任务的两个数据集上进行训练，并在相应的测试集和12个外部验证数据集上进行评估，结果表明，SAMPO 在密集组织病理学图像中持续提升了分割准确性、对提示变化的鲁棒性以及临床意图依从性。
引用
@article{arxiv.2508.02464,
title = {SAMPO-Path: Segmentation Intent-Aligned Preference Optimization for Pathology Foundation Model Segmentation},
author = {Yonghuang Wu and Wenwen Zeng and Xuan Xie and Chengqian Zhao and Guoqing Wu and Jinhua Yu},
journal= {arXiv preprint arXiv:2508.02464},
year = {2026}
}
备注
15 pages, 9 tables, 8 figures