SAMed-2：选择性记忆增强的医疗通用分割模型

近期“分割一切”(segment anything) 的努力通过从大规模数据中学习显示出前景，但由于医疗数据的复杂性、嘈杂的标注以及跨不同模态和解剖结构的持续学习需求，将此类模型直接应用于医学图像仍然具有挑战性。在这项工作中，我们提出了 SAMed-2，一个基于 SAM-2 架构构建的用于医学图像分割的新基础模型。具体而言，我们在图像编码器中引入了一个时间适配器以捕获图像关联，并引入了一个置信度驱动的记忆机制，用于存储高置信度特征以供后续检索。这种基于记忆的策略对抗了大规模医疗数据集中普遍存在的噪声，并在遇到新任务或新模态时减轻了灾难性遗忘。为了训练和评估 SAMed-2，我们整理了 MedBank-100k，这是一个涵盖七种成像模态和 21 项医学分割任务的综合数据集。我们对内部基准和 10 个外部数据集进行的实验表明，在多任务场景中，其性能优于最先进的基线模型。代码可在以下链接获取：https://github.com/ZhilingYan/Medical-SAM-Bench。