文章主要内容和创新点总结
一、主要内容
本文针对Segment Anything(SAM)等基础分割模型在医学影像(尤其是血管等细粒度结构)中存在的局部分割失效问题(如拓扑错误、边界模糊、结构不连续等),提出了一种结构感知的稀疏专家框架FineSAM++。该框架通过引入置信度驱动的软路由模块和轻量化残差专家,在不重新训练基础模型的前提下,对SAM的输出进行精准优化,实现“高效细化而非全量重训”。
文章在5个公开血管分割数据集(涵盖视网膜眼底图像、OCTA图像、冠状动脉造影图像等3种模态)及Synapse腹部器官CT数据集上进行了大量实验,结果表明FineSAM++在分割准确率、拓扑一致性等指标上持续优于SAM适配基线模型和任务专用模型,且在参数效率和推理速度上保持优势,验证了其在细粒度医学影像分割任务中的有效性和泛化能力。
二、创新点
- 提出了结构感知的稀疏混合专家(MoE)框架FineSAM++,将多个局部残差校正路径集成到冻结的SAM等基础分割模型中,专门解决细粒度医学结构的系统性分割失效问题。
- 设计了空间感知的软路由机制,通过门控模块(Gating Module)联合预测空间不确定性掩码和专家路由权重,仅对结构模糊区域动态激活少量残差专家,实现精准的局部优化。
- 构建了双专家协作体系:全局LoRA专家用于域适配,残差专家通过输入扰动多样化实现局部结构校正,且采用两阶段动态加权优化策略,平衡全局语义一致性和局部结构细化。
- 首次将稀疏专家路由系统地融入密集分割流程,针对医学影像中误差区域的稀疏性、拓扑不规则性等特点,实
订阅专栏 解锁全文
1299



被折叠的 条评论
为什么被折叠?



