SegMoTE：面向医学图像分割的令牌级混合专家
计算机视觉与模式识别
2026-02-24 v1
摘要
医学图像分割是临床诊断和定量分析中的关键任务，但由于成像模态的异质性和像素级标注成本的高昂，仍面临挑战。虽然通用交互式分割模型如SAM取得了显著进展，但其在医学成像领域的迁移仍面临两个关键瓶颈：(i)缺乏针对模态和解剖结构特定任务的自适应机制，限制了在异常分布医学场景中的泛化能力；(ii)现有医学适应方法在没有选择性地 fine-tune 大规模异构数据集上，导致监督信号噪声、标注成本增加和负迁移。为此，我们提出了SegMoTE，一个高效且自适应的医学图像分割框架。SegMoTE保留了SAM的原始提示接口、高效推理和零样本泛化能力，仅引入少量可学习参数即可在模态和任务之间实现动态适应。此外，我们设计了渐进式提示 tokenization 机制，实现了完全自动化的分割，显著减少了对标注的依赖。使用来自 MedSeg-HQ 的数据训练，SegMoTE在多种成像模态和解剖任务上实现了SOTA性能。它代表了在极端低标注成本下，将通用分割模型首次高效、稳健且可扩展地适配到医学领域的工作，推动了基础视觉模型在临床应用中的实际部署。
引用
@article{arxiv.2602.19213,
title = {SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation},
author = {Yujie Lu and Jingwen Li and Sibo Ju and Yanzhou Su and he yao and Yisong Liu and Min Zhu and Junlong Cheng},
journal= {arXiv preprint arXiv:2602.19213},
year = {2026}
}