RAP：无需训练 少样本医学图像分割的检索、调整和提示拟合

少镜头医学图像分割（FSMIS）已经取得了显着的进展，但大多数现有方法主要依赖于稀缺注释的语义对应，而没有充分利用医学图像的一个关键属性：解剖目标在患者和采集中表现出可重复的高频形态（例如，边界几何和空间布局）。我们提出 RAP，一个 无需训练 框架，用于检索、调整和提示 FSMIS 的分段任何模型 2 (SAM2)。首先，RAP 使用 DINOv3 功能从存档中检索形态兼容的支撑，以减少单一支撑选择的脆弱性。其次，它通过拟合边界感知结构线索来使检索到的支持掩码适应查询，从而在域转换下产生解剖学一致的预掩码。第三，RAP 通过 Voronoi 分区对正点进行采样，通过基于扇区的采样对负点进行采样，将前掩模转换为提示，并将它们输入 SAM2 进行最终细化，而无需任何 微调。对多个医学细分基准的大量实验表明，RAP 始终超越先前的 FSMIS 基线并实现最先进的性能。总体而言，RAP 表明，显式结构拟合与检索增强提示相结合，为稳健的 无需训练 少样本医学分割提供了一种简单有效的途径。