SemiSAM-O1：通过通用知识融合突破注释高效的医学图像分割的界限

半监督学习（SSL）已成为减轻基于深度学习的医学图像分割模型的注释负担的有前景的解决方案。虽然基础模型驱动 SSL 的最新进展已将边界推向极其有限的注释场景，但它们无法在复杂的成像模式中保持强大的竞争性能。在本文中，我们提出了 SemiSAM-O1，这是一种仅使用一个带注释的模板案例进行分割的注释高效框架。 SemiSAM-O1 通过充分利用基础模型超越其提示界面的特征表示能力，将专家-通才协作学习框架扩展到极端的单标签设置。 SemiSAM-O1 分两个阶段运行。在第一阶段，基础模型的编码器从所有卷中提取密集特征，并且从单个注释模板派生的类原型通过特征相似性传播到未标记池，以产生粗略的初始伪标签。在第二阶段，迭代训练和细化循环在多轮中逐步改进分割模型和伪标签，其中每轮都在当前伪标签上从头开始训练模型，并使用体素不确定性估计生成更新的预测。不确定性引导的细化步骤进一步利用基础模型的全局特征空间，通过聚合来自最相似的置信邻居的标签来纠正高不确定性区域，建立相互改进的良性循环。对不同模态和解剖目标的各种分割任务进行的广泛实验表明，SemiSAM-O1 显着缩小了单标签半监督学习和全监督之间的性能差距，同时显着降低了在线基础模型推理的计算开销。