近日，我院在医学图像分析领域研究取得突破。吴永飞副教授课题组在国际顶级期刊Medical Image Analysis（MedIA）上发表了题为“Segment Any Tissue: One-Shot Reference Guided Training-Free Automatic Point Prompting for Medical Image Segmentation”的学术论文。该论文的第一署名单位为太原理工大学，计算机科学与技术学院（大数据学院）博士生刘雪宇为论文第一作者，人工智能学院吴永飞副教授为通讯作者。

医学图像分割通常面临高昂的标注成本和任务适应性挑战。尽管视觉基础模型在自然图像分割中展现出了巨大潜力，但如何自动生成高质量的提示（prompt）以实现医学图像的类别无关分割仍然是一个重要的实际难题。为了解决这一问题，我们提出了一种创新的、无需训练的分割框架——Segment Any Tissue (SAT)，该框架能够基于单次参考（one-shot reference）自动提示类别无关的视觉基础模型进行医学图像分割。

SAT充分利用预训练视觉基础模型的强大特征匹配能力，在特征空间构建距离度量，并将其与物理空间的距离度量相结合，形成了一种双空间循环提示（dual-space cyclic prompt engineering）策略，实现自动提示生成、优化和评估。随后，SAT使用类别无关的基础分割模型结合生成的提示方案，最终获取医学图像的分割结果。此外，我们进一步扩展了单次参考框架，通过引入多个参考图像构建集成SAT（ensemble SAT），进一步提升分割性能。

SAT在六个公共及私有医学图像分割任务上进行了验证，涵盖了宏观与微观多个尺度的医学影像。在消融实验中，自动提示选择使SAT能够有效处理不同尺度的组织结构，并验证了各组成模块的有效性。对比实验结果表明，SAT的分割效果可与甚至优于部分完全监督方法，同时显著优于现有的one-shot方法。

总而言之，SAT仅需单张像素级标注的参考图像，即可在无需训练的情况下对各种医学图像进行组织分割。这不仅大幅降低了基础模型在医学领域应用时的标注成本，还显著提升了其任务适应性。

Medical Image Analysis（MedIA）是计算机科学与医学交叉领域的国际顶级期刊，影响因子10.7，近年来在医疗人工智能方向的影响力不断攀升，以高质量的论文和创新性研究成果著称。

论文链接： https://doi.org/10.1016/j.media.2025.103550

初审：吴永飞

复审：刘晶

终审：魏明强