SARFA：通过放射组学特征对齐来分割任何东西

分段任意模型 (SAM) 在各种分段任务中表现出了强大的通用性。然而，SAM 经常在要分割的目标不明确的情况下陷入困境。这在医学成像中提出了一个问题，在医学成像中，准确描绘肿瘤等目标至关重要，但即使是放射科医生专家也可能对目标的适当边界存在分歧。为了解决这个问题，我们提出了 SARFA（Segment Anything with Radiomic Feature Alignment），这是一种改进医学图像分割的新颖框架。通过概率提示，SARFA 为每个输入图像生成一组不同的合理掩模，并使用基于 Fréchet 放射组学距离 (FRD) 和直接偏好优化 (DPO) 的放射组学驱动的训练目标对其进行优化。通过最小化每个图像中的屏蔽预测区域和 真值 区域之间的 FRD，SARFA 鼓励分割输出，其解剖和纹理特征与临床有意义的 真值 表示相一致，而不仅仅依赖于像素级重叠。在计算机断层扫描 (CT) 和磁共振成像 (MRI) 基准上进行评估，SARFA 优于现有的模糊分割方法，证明了放射组学特征对齐和 DPO 式候选掩模排序作为训练目标的有效性。我们的代码可在 https://github.com/tbwa233/SARFA 获取。