Work【3】：PGP-SAM —— 原型驱动的少样本医学图像分割新范式

原创

于 2026-02-17 01:06:01 发布 · 851 阅读

1. 医学图像分割的“少样本”困局与SAM的机遇

大家好，我是老张，在AI和医学影像这个行当里摸爬滚打了十来年。今天想和大家深入聊聊一个让我眼前一亮的“新家伙”——PGP-SAM。这玩意儿最近在圈子里讨论得挺热，因为它似乎戳中了当前医学AI落地的一个核心痛点：我们总是没有足够多的、标注好的数据。

你想想看，医生们每天忙得脚不沾地，让他们一张张CT、MRI片子去手动勾画器官轮廓，标注出肿瘤边界，这工作量简直大到吓人。一个合格的标注，不仅费时，更需要深厚的医学专业知识。所以，现实情况往往是，我们想训练一个精准的肝脏分割模型，手里可能只有几十例、甚至十几例带标注的数据。这就是典型的“少样本”场景。传统深度学习方法，比如大家熟悉的U-Net，在这种数据“吃不饱”的情况下，性能往往会大打折扣，模型学不到足够泛化的特征，分割结果要么不完整，要么边界模糊，医生根本没法用。

就在大家为数据发愁的时候，Meta的“分割一切模型”（Segment Anything Model, SAM）横空出世。它在大规模自然图像上训练，展示了惊人的零样本分割和交互能力。我当时第一反应就是：这“万能钥匙”能不能打开医学图像这把“特制锁”？很多团队都尝试了，直接把SAM拿来分割CT片，结果嘛……说实话，有点“水土不服”。医学图像和自然照片差别太大了，对比度、纹理、器官结构的复杂性，都让SAM有点懵。更关键的是，SAM的强大依赖于精准的“提示”（Prompt），比如你在图像上点一个点，画一个框，它才能围绕这个提示去分割。但在自动化流程里，我们上哪儿去给每张片子手动点这个点呢？这不又回到需要人工干预的老路上了吗？

所以，真正的挑战变成了：如何在仅有极少量标注数据（比如全部数据的10%）的情况下，让SAM学会自动、准确地在医学图像中找到并分割出目标器官，还不用人每次去点去画。这就是PGP-SAM要解决的核心问题。它不再纠结于让SAM去“硬适应”医学图像，而是换了个聪明的思路：我教SAM认识几个最核心的“概念模板”，让它能举一反三。