合成体积数据生成赋能 3D 医学图像分割基础模型的零样本泛化
图像与视频处理
2026-01-21 v1
摘要
诸如 Segment Anything Model 2 (SAM 2) 等基础模型在自然图像和视频上展现出强大的泛化能力，但由于外观统计、成像物理和三维结构的差异，在医学数据上表现不佳。为解决这一差距，我们引入了 SynthFM-3D，这是一个分析框架，通过数学建模解剖结构、对比度、边界清晰度和噪声中的 3D 变异性，生成合成数据，用于训练可提示的分割模型，而无需真实标注。我们在 10,000 个 SynthFM-3D 体积上微调了 SAM 2，并在来自五个公共数据集的三种医学成像模态（CT、MR、超声）的十一个解剖结构上对其进行了评估。SynthFM-3D 训练相比预训练的 SAM 2 基线，带来了持续且统计显著的 Dice 分数提升，展示了更强的跨模态零样本泛化能力。在与有监督的 SAM-Med3D 模型在未见的心脏超声数据上进行比较时，SynthFM-3D 取得了 2-3 倍更高的 Dice 分数，确立了分析性 3D 数据建模作为实现模态无关医学分割的有效途径。
引用
@article{arxiv.2601.12297,
title = {Synthetic Volumetric Data Generation Enables Zero-Shot Generalization of Foundation Models in 3D Medical Image Segmentation},
author = {Satrajit Chakrabarty and Sourya Sengupta and Gopal Avinash and Ravi Soni},
journal= {arXiv preprint arXiv:2601.12297},
year = {2026}
}