TAPE：用于 OCT-OCTA 分析中基础模型的两阶段参数高效自适应框架
计算机视觉与模式识别
2026-04-07 v1
摘要
光学相干断层扫描（OCT）和 OCT 血管造影（OCTA）图像的自动分析对于稳健的眼科诊断至关重要。现有从头训练的主流方法严重依赖大量数据和模型规模，从而阻碍了它们在资源受限的临床环境中的实际部署。尽管基于基础模型（FMs）的迁移学习很有前景，但它仍然面临重大挑战：领域偏移和任务错位。为了解决这些问题，我们提出 TAPE：通过参数高效微调的两阶段自适应框架，该框架策略性地将自适应解耦为下游分割的领域对齐和任务拟合。领域自适应阶段显著地在掩码图像建模的背景下应用了参数高效微调（PEFT）用于医学图像领域自适应，据我们所知这是一种新颖的方法。将 TAPE 应用于通用（掩码自编码器，MAE）和专用（RETFound）基础模型上的视网膜层分割，它展示了优越的参数效率，并在各种病理上达到了最先进的泛化性能。
引用
@article{arxiv.2604.04571,
title = {TAPE: A two-stage parameter-efficient adaptation framework for foundation models in OCT-OCTA analysis},
author = {Xiaofei Su and Zengshuo Wang and Minghe Sun and Xin Zhao and Mingzhu Sun},
journal= {arXiv preprint arXiv:2604.04571},
year = {2026}
}
备注
5 pages, 2 figures, accepted by IEEE ISBI 2026