面向医学影像分割的半监督SAM-2高效提示方法
计算机视觉与模式识别
2025-06-11 v1
摘要
在信息爆炸的时代，有效利用大规模无标签数据同时最小化对高质量像素级标注的依赖，仍是医学影像领域的关键挑战。半监督学习 (SSL) 通过促进知识向无标签数据迁移，显著提升完全监督模型性能，成为医学图像分析中极具前景的研究方向。灵感来自视觉基础模型（如 SAM-2）提供的丰富先验知识，我们提出SSS (Semi-Supervised SAM-2)，一种新方法，利用 SAM-2 的强大特征提取能力揭示无标签医学图像中的潜在知识，从而有效提升完全监督医学图像分割的特征支持。具体而言，基于单流 "弱-强" 一致性正则化框架，本文引入判别特征增强 (DFE) 机制，以进一步探索各种数据增强策略在多视角下引入的特征差异。通过利用多尺度增强技术中特征的相似性与不相似性，该方法重构并建模特征，从而有效优化显著区域。此外，开发了一个整合物理约束与滑动窗口 (PCSW) 机制的提示生成器，用于生成无标签数据的输入提示，满足 SAM-2 对额外提示的要求。广泛的实验表明，所提方法在两个多标签数据集上（即 ACDC 和 BHSD）的半监督医学图像分割优于现有方法。值得注意的是，SSS 在 BHSD 上的平均 Dice 评分为 53.15，超越了前沿方法提升了 +3.65 Dice。代码将在 https://github.com/AIGeeksGroup/SSS 可用。
引用
@article{arxiv.2506.08949,
title = {SSS: Semi-Supervised SAM-2 with Efficient Prompting for Medical Imaging Segmentation},
author = {Hongjie Zhu and Xiwei Liu and Rundong Xue and Zeyu Zhang and Yong Xu and Daji Ergu and Ying Cai and Yang Zhao},
journal= {arXiv preprint arXiv:2506.08949},
year = {2025}
}