用SAM改进的无监督域适应方法提升脑肿瘤分割精度

Unsupervised Domain Adaptation with SAM-RefiSeR for Enhanced Brain Tumor Segmentation

• 基于SAM构建可微分掩码生成器，实现跨域特征对齐
• 在BraTS2021上分割性能提升3.2%（平均骰率）
• 适合缺乏标注数据的医疗影像分析场景

针对医学图像中因扫描设备差异导致的域偏移问题，本文提出一种基于SAM的无监督域适应框架SAM-RefiSeR。该方法利用SAM的强泛化能力构建可微分掩码生成器，通过最小化源域与目标域间特征分布差异来实现跨域分割。在BraTS2021数据集上的实验表明，相比基线模型，本方法在全肿瘤、肿瘤核心和增强肿瘤三个区域的平均骰率分别提升了2.1%、3.2%和2.8%。此外，所提方法无需目标域标注，可在真实临床场景中快速部署。结果验证了基于SAM的无监督域适应在脑肿瘤分割中的有效性。

原文摘要 · Abstract (English)

Unsupervised Domain Adaptation with SAM-RefiSeR for Enhanced Brain Tumor Segmentation

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。