SGP-SAM：自门提示将 3D 分段任何模型传输到病变分割

诸如分段任意模型（SAM）之类的大型分割基础模型已经重塑了自然图像中的快速分割，并且最近的努力已将这些模型扩展到医学图像和体积设置。然而，直接将 3D SAM 式模型转移到病灶分割仍然具有挑战性，因为（i）中间特征中小、不规则目标的空间表示能力较弱，以及（ii）3D 体积中的极端前景-背景不平衡。我们提出了 SGP-SAM，一种自门控提示框架，用于高效且有效地转移到 3D 病灶分割。我们的关键组件自门控提示模块（SGPM）执行条件多尺度空间增强：轻量级多通道门控单元预测当前特征是否需要额外的多尺度融合，然后才激活多尺度特征融合块以丰富空间上下文。为了进一步解决小病灶学习问题，我们设计了 Zoom Loss，通过结合 Dice 和体素平衡焦点项来增加以病灶为中心的监督权重。MSD 肝肿瘤和 MSD 脑肿瘤（增强肿瘤）的实验显示，与基于 SAM-Med3D 的强转移基线相比，获得了一致的增益。在 MSD 肝肿瘤上，SGP-SAM 比 微调 使 mDice 提高了 7.3%。