UltraSAM：面向数据稀缺场景的医学超声分割基础模型创新研究

《Expert Systems with Applications》：UltraSAM: A foundational medical ultrasound segmentation model with limited training data

本研究提出专用于超声图像分割的基础模型UltraSAM，通过引入快速傅里叶变换卷积分支（FFTConv）和频率域特征注入器（FFTI）实现空间-频域特征融合，结合低秩适配器（LoRA）微调策略，在仅需数百标注样本的条件下，于10个公共数据集上实现跨8种超声模态的卓越零样本泛化能力（Dice提升2.07%–59.45%），为临床决策支持系统提供新范式。

　　

Highlight

UltraSAM通过集成快速傅里叶变换卷积分支（FFTConv）和频率域特征注入器（FFTI），在保留SAM（Segment Anything Model）核心架构的同时，显著提升了超声图像在数据稀缺场景下的分割精度与跨设备泛化能力。该方法仅需数百标注样本即可实现多器官病理分割，为超声智能诊断提供了突破性解决方案。

Discussion

SAM在超声图像应用中存在性能局限，且传统训练模式需要大量标注数据。本研究聚焦更具临床意义的挑战：如何在少量样本下实现鲁棒的跨域泛化。UltraSAM通过频率域物理特征提取与空间-频域交互机制，构建了超越简单模块拼接的创新架构。实验表明，该模型在应对超声图像特有的斑点噪声、声学伪影和组织纹理变异等方面展现出显著优势。

Conclusion

本研究提出的UltraSAM模型成功解决了超声分割领域的三重挑战：标注数据稀缺、跨设备泛化困难以及跨任务适应能力不足。通过频率域特征增强与高效参数微调策略，模型在多个公共数据集上超越了9种任务专用方法和6种SAM衍生模型，验证了其作为超声基础分割模型的临床潜力，为个性化诊疗提供了可靠的技术支撑。