论文
HPR-SAM：基于 SAM 的无提示医学图像分割的分层概率表示学习
HPR-SAM: Hierarchical Probabilistic Representation Learning for Prompt-free SAM-based Medical Image Segmentation
摘要
任意分割模型 (SAM) 的快速自由适应已成为自动医学图像分割的一个有前途的范例。现有方法主要关注提示生成，而忽略了提示质量从根本上受到解剖表示的表达能力的限制。然而，确定性原型或语义标记不足以共同捕获全局解剖先验、结构内多样性和局部结构可靠性。为了解决这个限制，我们提出了分层概率表示（HPR）框架，该框架通过分布解剖表示（DAR）、多分量解剖表示（MAR）和局部可靠性表示（LRR）学习互补的解剖表示，并通过分层预测融合（HPF）集成它们的预测，同时保持与原始SAM解码器的兼容性。在 Synapse、LA 和 PROMISE12 数据集上的实验表明，HPR-SAM 在 Synapse 上实现了最先进的性能，在 LA 和 PROMISE12 上的少样本设置下实现了最佳性能，验证了所提出的分层概率表示学习框架对于无提示医学图像分割的有效性。代码可从 https://anonymous.4open.science/r/HPR-SAM-E4AF 获取。