使用 SAM2 使用零样本方法自动分割 3D CT 扫描

图像分割的基础模型在自然图像中表现出很强的通用性，但它们在 3D 医学成像中的适用性仍然有限。在这项工作中，我们研究了使用 Segment Anything Model 2 (SAM2) 进行体积 CT 数据自动分割的零样本使用，无需任何 微调 或特定领域的训练。我们分析了 SAM2 应如何应用于 CT 体积并确定其主要局限性：缺乏固有的体积意识。为了解决这个问题，我们提出了一组仅推理的架构和程序修改，通过将 CT 切片视为有序序列，使 SAM2 基于视频的内存机制适应 3D 数据。我们对 TotalSegmentator 数据集中的 500 个 CT 扫描的子集进行了系统的消融研究，以评估提示策略、记忆传播方案和多通道细化。根据这些发现，我们选择性能最佳的配置，并在包含 2,500 个 CT 扫描的 TotalSegmentator 数据集的更大样本上报告最终结果。我们的结果表明，即使权重冻结，当其推理管道经过精心构建时，SAM2 也可以产生连贯的 3D 分割，这证明了用于体积医学图像分割的完全零样本方法的可行性。