通过双适配器快速、高效地进行生物医学语义分割 SAM2 适配

Segment Anything Model 2 (SAM2) 在自然图像上展示了令人印象深刻的零样本能力，但由于显着的域转移和即时依赖性而在生物医学分割方面面临挑战。为了解决这些限制，我们提出了一种无提示、参数高效的 微调 框架，专为可变大小输入的多类分割而设计。我们引入了一种卷积位置编码生成器来有效地适应任意纵横比，并提出了一种双适配器策略：利用可变形卷积进行精确边界建模的高性能适配器和利用结构重新参数化来最小化推理延迟的轻量级适配器。在 ISBI 2012、Kvasir-SEG、Synapse 和 ACDC 数据集上进行的实验表明，我们的方法明显优于强适应基线。具体来说，与普通 SAM2 相比，我们的方法将分割精度提高了 19.66%，同时与重量级医学 SAM 改编相比，计算成本降低了约 87%，在精度和效率之间建立了良好的平衡。