SSL-MedSAM2：由 SAM2 少样本学习驱动的半监督医学图像分割框架
计算机视觉与模式识别
2025-12-15 v1
摘要
尽管基于深度学习的模型在医学图像分割中取得了成功，但大多数现有先进（SOTA）方法采用全监督学习，这通常依赖于大规模标注训练数据集。然而，医学图像标注极其耗时，阻碍了其临床应用。半监督学习（SSL）已成为一种在有限标注下进行训练的极具吸引力的策略，大幅降低了标注成本。我们提出了一种新颖的 SSL 框架 SSL-MedSAM2，该框架包含一个基于预训练大型基础模型 Segment Anything Model 2（SAM2）的免训练少样本学习分支 TFFS-MedSAM2 用于伪标签生成，以及一个基于 nnUNet 的迭代全监督学习分支 FSL-nnUNet 用于伪标签细化。在 MICCAI2025 挑战赛 CARE-LiSeg（肝脏分割）上的结果表明，SSL-MedSAM2 在众多方法中表现出色。在 GED4 和 T1 MRI 测试集上的平均 Dice 系数分别为 0.9710 和 0.9648，Hausdorff 距离分别为 20.07 和 21.97。代码可通过 https://github.com/naisops/SSL-MedSAM2/tree/main 获取。
引用
@article{arxiv.2512.11548,
title = {SSL-MedSAM2: A Semi-supervised Medical Image Segmentation Framework Powered by Few-shot Learning of SAM2},
author = {Zhendi Gong and Xin Chen},
journal= {arXiv preprint arXiv:2512.11548},
year = {2025}
}
备注
Accepted by MICCAI 2025 CARE Challenge, waiting for publication