用于少镜头医学图像分割的基准测试基础和 大语言模型

少样本医学图像分割 (FS-MIS) 旨在从一些带注释的支持示例中分割新的感兴趣区域 (ROI)。尽管进展迅速，现有的 FS-MIS 解决方案跨越了不同的范式，但在不一致的环境下进行了评估，导致其相对有效性尚不清楚。我们推出 FAME，一个用于评估 FS-MIS 解决方案的统一基准，涵盖专家、基于 SAM 的方法、基于 CLIP 的方法和基于 MLLM 的方法。 FAME 包含跨 7 个解剖部位、9 种成像模式和 14 个 ROI 类别的 14,958 个测试样本，并在零样本和十样本设置下评估模型，并在协变量和语义转换下对目标缺失识别和泛化进行额外评估。我们的评估揭示了一些发现。首先，有效的少镜头分割取决于模型如何利用支持示例：直接视觉适应通常优于基于提示的策略。其次，只有当模型能够有效利用它们时，增加支持示例才能提高性能。第三，语义迁移仍然比成像域适应更具挑战性，强大的定位能力并不一定意味着可靠的目标缺失识别。我们希望 FAME 能够全面了解当前的 FS-MIS 解决方案，并促进开发更有效、更可靠的小样本医学分割方法。