基于SAM的师生架构与对比一致性正则化赋能半监督医学图像分割

针对医学图像标注数据稀缺的难题，研究人员创新性地提出STAR框架，将Segment Anything Model (SAM)融入师生网络架构，结合AdaLoRA参数高效微调技术（仅更新2%参数）和多层次一致性正则化策略（像素级对比学习+特征级随机污染），在Kvasir-SEG、ACDC等数据集上实现超越现有方法的性能突破，为临床高效分割提供新范式。

　　

医学图像分割是辅助疾病诊断和治疗规划的关键技术，但高质量标注数据的稀缺严重制约深度学习模型性能。当前半监督方法虽能利用未标注数据，但存在教师模型指导能力不足、单层次正则化难以兼顾细节与语义等问题。针对这些挑战，研究人员开发了基于Segment Anything Model (SAM)的师生架构STAR，通过大模型赋能和新型正则化策略，显著提升半监督分割效果。

研究团队采用三大核心技术：1）将SAM作为师生网络基础架构，结合Adaptive Low-Rank Adaptation (AdaLoRA)实现参数高效微调；2）设计像素级对比学习，通过划分预测区域构建正负样本对；3）提出特征级"随机污染"策略，混合师生模型特征增强一致性。实验覆盖Kvasir-SEG（内窥镜）、ACDC（心脏MRI）、ISIC2018（皮肤镜）三类医学图像数据集。

【SAM增强的师生架构】通过将SAM集成到均值教师框架，利用其强大的表征能力提升模型潜力。AdaLoRA技术仅微调2%参数即达到全参数调优95%的性能，训练时间减少47%。
【多级一致性正则化】像素级采用投影头将师生输出映射到可对比空间，通过区域相似度计算构建损失；特征级通过随机线性混合师生编码器特征，强化解码过程中的知识传递。
【跨数据集验证】在10%标注比例下，STAR在Kvasir-SEG的Dice系数达90.3%，较U²
-Net提升6.2%；对ACDC左心室分割的Hausdorff距离降低至8.7mm，证明其对复杂解剖结构的捕捉能力。

该研究通过大模型适配和分层正则化设计，实现了标注效率与分割精度的双重突破。AdaLoRA的应用使SAM这类大模型能在医疗场景中可行部署，而多级一致性机制为半监督学习提供了新思路。STAR框架在保持参数效率的同时，为内镜、MRI等多模态医学图像分析树立了新基准，对推动AI辅助诊断的临床落地具有重要意义。