BAP-MOS：用于边界敏感多器官分割的基于 Bandit 的自适应提示

当必须共同描绘解剖学上相邻的结构时，多器官超声分割仍然具有挑战性，因为即使 Dice 分数很高，局部边界错误也可能持续存在。为了应对这些挑战，我们提出了多器官分割的边界自适应提示（BAP-MOS），这是一种闭环自适应提示框架。 BAP-MOS 将提示选择制定为针对框、点和组合提示的器官特异性多臂老虎机问题。外部树结构 Parzen 估计器 (TPE) 循环选择提示选择参数向量，而内部 UCB-Tuned 循环使用有界 Dice--MSD--HD95 验证探测奖励在 微调 期间适应每个器官的提示偏好。该框架进一步引入了器官尺度的负提示环，以适应跨解剖尺度的稀疏提示几何形状，同时保持图像和提示编码器冻结并仅更新掩模解码器。我们针对 U-Net、nnU-Net、MedSAM、固定提示 SAM/MedSAM 和自适应策略变体，在汇集的前列腺区域 TRUS 队列上评估 BAP-MOS。在此基准测试中，BAP-MOS 实现了 Dice 0.982、HD95 0.482 和 MSD 0.204，相对于最强的传统基准，HD95 降低了约 48%，MSD 降低了 45%。为了验证该框架的泛化能力，我们使用 MedSAM 及其自适应策略变体在外部 PFUS1 盆底超声语料库上进行了测试，结果良好。这些结果支持自适应提示分配作为改进边界敏感多器官超声分割的有效机制，而无需修改基础模型主干。源代码位于：https://github.com/SatvikPraveen/BAP-MOS