2026.3.16本研究提出了CPAC-SAM一个基于SAM的交叉提示框架通过原型引导的网格采样和提示一致性正则化有效利用未标注数据进行SAM微调显著提升了半监督医学图像分割的性能尤其在标注数据极度稀缺时表现优异。Title题目01SAM-driven cross prompting with adaptive sampling consistency for semi-supervised medical image segmentation基于SAM的交叉提示与自适应采样一致性用于半监督医学图像分割文献速递介绍02分割是医学图像诊断和治疗规划的关键步骤。深度学习方法在分割任务中表现出色但需要大量标注数据这在医学领域成本高昂。半监督学习SSL通过利用少量标注数据和大量未标注数据来解决这一挑战。SSL成功的关键在于两点从有限标注数据中快速学习通用判别信息以及有效利用未标注数据进行优化。现有SSL方法主要关注后者而忽略了前者。本文作者关注预训练在海量自然图像上的Segment Anything Model (SAM)它具有在少量标注数据下快速适应新任务的潜力。之前的SAM医学图像分割方法多为全监督或将SAM作为独立模块未能充分利用未标注数据。本文旨在将SAM无缝集成到SSL框架中利用其提示机制开发从未标注数据中学习的有效策略提出了CPAC-SAM框架包含SAM驱动的交叉提示、原型引导网格采样和提示一致性正则化以实现SAM在半监督训练中的持续优化和更高精度。Aastract摘要02半监督学习SSL在医学图像分割领域取得了显著进展。为实现有效的SSL模型需要能够高效地从有限标注数据中学习并有效利用丰富的未标注数据中的知识。视觉基础模型如Segment Anything Model, SAM的最新发展已显示出卓越的适应性和更高的样本效率。为将基础模型无缝整合到SSL中我们提出了CPAC-SAM一个基于SAM的交叉提示框架结合自适应采样和提示一致性用于半监督医学图像分割。我们的方法利用SAM独特的提示设计在一个双分支框架内创新性地采用交叉提示策略自动在两个解码器分支间生成提示和监督从而有效利用少量标注数据和大量未标注数据进行学习。为确保未标注数据提示的质量并提供有意义的监督我们提出了一种创新的原型引导网格采样策略具有自适应间隔以同时提高提示选择区域的可靠性并确保足够的提示密度和完整的 T目标覆盖。我们进一步设计了一种新颖的提示一致性正则化来降低SAM对提示的敏感性并增强不同提示下的输出不变性。我们在五个医学图像分割任务包括2D和3D场景上验证了该方法。在不同标注数据比例和模态下的广泛实验表明我们提出的方法优于最先进的SSL方法例如在乳腺癌和左心房分割任务上Dice系数分别提高了4.1%和3.8%。我们的代码已开源。Method方法03本文提出了CPAC-SAM一个基于SAM驱动的交叉提示框架结合自适应采样和提示一致性用于半监督医学图像分割。该方法在SSL管道中直接微调SAM以促进从有限标注数据中快速学习。基于SAM的可提示特性开发了一个交叉提示双分支框架来充分利用未标注数据。具体来说首先利用一个分支的无提示输出通过原型引导网格采样策略为另一个分支生成提示。然后第二个分支生成的更可靠的提示输出用于指导第一个分支的学习将SAM的提示机制作为一种自提升的细化步骤。此外为解决SAM对不同提示敏感性可能带来的负面影响进一步提出了提示一致性正则化PCR以增强在各种提示下的输出不变性。网络设计采用了共享图像编码器和提示编码器以及两个结构相同但权重初始不同的掩膜解码器以鼓励输出多样性。Discussion讨论04本研究强调了SSL方法成功的两个关键从有限标注数据中快速学习判别信息和有效利用未标注数据进行优化。现有SAM基SSL方法多将SAM作为独立组件未充分利用未标注数据潜力。本文通过将SAM无缝整合到SSL框架中提出了一个新颖的交叉提示模块利用SAM的可提示特性有效利用大量未标注数据。实验证明带有适当提示的输出比无显式提示的输出更准确。为解决未标注数据伪标签质量问题引入了原型引导网格采样策略通过双重检查机制选择更可靠的候选区域并根据目标面积自适应采样网格点提示。针对SAM对不同提示的敏感性提出了提示一致性正则化技术增强了不同提示下输出的一致性。该方法通用性强可扩展到其他医学特定基础模型或视觉基础模型。未来工作将探索更鲁棒的原型引导策略、更强的L类内异质性以及更先进的原型提取策略如增加每类原型数量。还将通过记忆库增强多样性和鲁棒性并采用强化学习自动优化超参数以实现端到端SSL医学图像分割。此外计划尝试更广泛的数据增强方法和更先进的微调策略以进一步提升性能。Conclusion结论05本文提出了一种交叉提示框架集成了原型引导网格采样和提示一致性正则化旨在将SAM无缝应用于半监督医学图像分割。该方法通过有效利用大量未标注数据在三个数据集上展现出卓越的性能尤其在标注数据极度稀缺时表现突出。本方法具有通用性易于扩展到医学特定基础模型及其他视觉基础模型。未来工作将侧重于研究更鲁棒的原型引导策略和更强的数据增强方法以进一步提升性能。Figure图06图1. 各种基于SAM的SSL医学图像分割方法的总体比较。第一类方法 (a) 将SAM作为静态独立组件用于为现成的半监督框架生成未标注图像的伪标签而第二类方法 (b) 在SSL场景中利用标注数据微调SAM以提高输出质量。相比之下我们提出的方法 (c) 通过配备了我们提出的交叉提示、自适应采样和提示一致性的双分支SAM架构无缝集成到SSL框架中并利用大量未标注数据对SAM进行进一步优化。图2. 我们提出的方法的概述。采用原型引导的自适应间隔网格采样策略的交叉提示损失 Lcrossu 和提示一致性正则化损失 Lcu 在未标注数据上对经过改进的双分支SAM进行微调同时在标注数据上使用监督损失 Lsl。Lcrossu 应用于一个分支使用原型引导网格采样策略生成的带提示输出与另一个分支的无提示输出之间。Lcu 减轻了SAM对不同提示的敏感性。Lsl 利用标注来监督标注数据的带提示和无提示输出。在此框架中图像编码器使用LoRA进行微调而提示编码器和掩膜解码器则进行完全微调。图3. 在BUSI数据集第1-2行、ISIC数据集第3-4行和ACDC数据集第5-6行上分别使用10、5和1个标注数据进行分割的结果。图4. 未标注图像的视觉示例说明在ACDC数据集上使用一个标注患者数据进行训练早期仅200次迭代时我们提出的原型引导网格采样策略的流程。第一行和第二行分别显示了我们双分支架构的第一和第二分支的结果除了第一列。精度定义为正确预测的像素数与预测为给定类别的总像素数之比。图5. (a) 训练过程中原始输出与原型引导交集之间的平均精度比较。(b) 不使用和使用原型引导交集进行网格采样的DSC结果。图6. 在ACDC数据集上使用一个标注患者的设置下不同超参数的DSC性能。(a) 交叉提示模块系数 λ1 的DSC性能以及 (b) PCR系数 λ2 的DSC性能。