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