摘要

段落分割模型（Segment Anything Model, SAM）因其在多种分割任务中表现出色以及基于提示（prompt-based）的交互界面，近年来在图像分割领域广受关注。然而，近期的研究与个体实验表明，SAM在医学图像分割任务中表现不佳，主要原因在于其缺乏针对医学领域的特定知识。这一现象引发了关键问题：如何提升SAM在医学图像分割中的性能？本文提出了一种无需微调SAM模型的解决方案——医学SAM适配器（Medical SAM Adapter, Med-SA），该方法通过一种轻量且高效的适配技术，将领域特定的医学知识融入分割模型。在Med-SA中，我们提出了空间-深度转置（Space-Depth Transpose, SD-Trans），用于将二维SAM有效扩展至三维医学图像；同时设计了超提示适配器（Hyper-Prompting Adapter, HyP-Adpt），实现基于提示的条件化适配。我们在涵盖多种图像模态的17项医学图像分割任务上进行了全面评估，结果表明，Med-SA在性能上超越了多项当前最先进的医学图像分割方法，同时仅更新了模型参数的2%。相关代码已开源，地址为：https://github.com/KidsWithTokens/Medical-SAM-Adapter。