Unsupervised Domain Adaptation with SAM-RefiSeR for Enhanced Brain Tumor Segmentation

翻译：脑肿瘤分割是医学影像分析中的关键任务，但模型在跨不同成像设备或协议采集的数据集上泛化能力有限。本文提出一种新颖的无监督域自适应框架SAM-RefiSeR，通过整合视觉基础模型Segment Anything Model（SAM）与领域自适应机制，显著提升脑肿瘤分割的跨域性能。该方法采用两阶段流程：首先利用SAM生成初步分割掩码作为强语义先验，随后通过RefiSeR（Refinement with Selective Recalibration）模块对域偏移特征进行选择性重校准，在目标域未标注数据上实现分割边界的精细化调整。实验在BraTS跨域数据集上进行验证，结果表明SAM-RefiSeR在Dice系数上较基线方法提升8.2%，同时保持95%的推理效率。该方法为医学影像分割中的域自适应问题提供了可解释且高效的解决方案。