SUGFW+：用于医学图像分割中 SAM 冷启动主动适应的不确定性引导特征加权框架
SUGFW+: An Uncertainty-guided Feature Weighting Framework for Cold Start Active Adaptation of SAM in Medical Image Segmentation
摘要
冷启动主动学习 (CSAL) 通过查询未标记训练集中的一小部分子集进行注释，对于提高注释预算较低的医学图像分割模型的性能非常重要。现有的 CSAL 方法通常依赖于低效的特定于数据集的自监督学习 (SSL) 将未标记的图像映射到特征空间以进行样本选择。最近，Segment Anything Model (SAM) 等基础模型的出现提供了一种有前景的替代方案，因为预训练模型可以提供强大的可泛化特征嵌入，并在 微调（适应）之后的下游任务中实现高性能。然而，如何在低注释预算的适应过程中系统地利用 SAM 的固有嵌入来进行冷启动样本选择仍有待探索。为了解决这个问题，我们提出了一个扩展的基于 SAM 的不确定性引导特征加权 (SUGFW+) 框架，用于 CSAL 和 SAM 的适应。具体来说，它利用 SAM 进行补丁级特征和不确定性计算 (PFUC)，并引入基于补丁的全局独特表示 (PGDR) 模块，该模块将补丁级嵌入聚合为具有高度辨别力、不确定性感知的图像级特征。然后，具有聚类和不确定性的贪婪选择 (GSCU) 策略利用这些特征，在样本选择过程中结合多样性和不确定性。与之前将样本选择与 模型训练 解耦的 CSAL 方法不同，SUGFW+ 通过 模型训练 中 SAM 的不确定性提示 微调 (UPFT) 过程将这两个阶段紧密集成。对四个公共数据集的大量实验表明，SUGFW+ 相对于现有的 CSAL 方法实现了最先进的性能。代码可在 https://github.com/HiLab-git/SUGFW-plus 获取。