医疗科研新突破 | 菁易科研解读：SAM支持的半监督3D医疗图像分割框架

Stitching, Fine‑Tuning, and Re‑Training: A SAM‑Enabled Framework for Semi‑Supervised 3D Medical Image Segmentation.

研究背景

近年来，视觉基础模型在计算机视觉任务表现出色，但在医疗图像分割中面临挑战。为减少标注成本并保持性能，本文提出半监督3D医疗图像分割框架SFR，以解决2D切片细调方法忽视上下文信息的问题。

方法速览

1. 拼接模块：将3D医疗图像切片拼接成1024×1024的2D图像，保持空间连续性与上下文信息。
2. 细调模块：用拼接后的2D图像对基础模型（如SAM）细调，生成高质量初始伪标签。
3. 再训练模块：利用细调后的SAM生成的伪标签训练3D半监督分割模型，参数规模与传统分割器相同。
4. SFR+框架：引入置信度估计和选择性训练策略，提高未标注数据利用效率，减少错误传播。

主要发现

1. 提高初始伪标签质量：拼接3D医疗图像切片，保持分辨率与拼接规模平衡，为后续半监督学习提供更准确伪标签。
2. 降低标注成本：在LA和BraTS数据集上，仅用1个标注样本，就能显著提高分割性能，大幅降低标注成本。
3. 改善多器官分割：在BTCV和AbdomenCT‑1K数据集上，用1个标注样本，平均Dice得分显著提高，处理复杂器官表现出色。
4. 与现有方法兼容性好：可与MT、ACMT和MagicNet等无缝集成，在LA数据集上进一步提升性能。
5. 缓解伪标签错误传播：SFR+框架引入置信度估计策略，在LA数据集上提高了Dice得分。
6. 参数效率高：推理阶段参数规模远小于基础模型，提高计算效率。

总结展望

SFR框架创新性在于解决分辨率和维度不匹配、减少参数规模、兼容性好，但也存在拼接规模选择、置信度估计准确性、数据分布差异等局限。未来需进一步研究优化，使其在医疗科研中发挥更大作用。