用于通用医学图像分割的具有 SAM 的频率适配器

医学图像分割是计算机辅助诊断和治疗计划中的一项关键任务。然而，由于成像协议、扫描仪类型和患者群体的变化导致领域发生变化，深度学习模型通常难以跨数据集进行泛化。传统的领域泛化（DG）方法利用因果特征学习、对抗一致性和风格增强来提高分割的鲁棒性。虽然有效，但这些方法依赖于显式特征对齐、对抗性目标或手工增强，这可能无法充分利用基础模型的功能。最近，Segment Anything Model（SAM）在分割任务中表现出了强大的泛化能力。基于 SAM 的 DG 方法试图改进医学图像分割。然而，这些方法主要在空间域中运行，并忽略了显着影响模型鲁棒性的基于频率的差异。在这项工作中，我们提出了基于频域的 SAM (FSAM) 泛化，这是一种新颖的框架，集成了低秩适应 (LoRA) 以实现高效的 微调 和频率适配器，以合并频域表示以实现单源域泛化。 FSAM 通过提取域不变的高频特征、减轻与频率相关的域偏移来增强 SAM 的分割鲁棒性。眼底和前列腺数据集的实验结果表明，FSAM 在领域泛化方面优于现有的传统 DG 和基于 SAM 的 DG 方法。代码和预训练模型将在 GitHub 上提供。