التقسيم الطبي للصور القليل العينات المدعوم بالإسترجاع باستخدام النماذج الأساسية

يعد تقسيم الصور الطبية أمرًا حيويًا لاتخاذ القرارات السريرية، لكن ندرة البيانات المشروحة تمثل تحديات كبيرة. تُظهر طرق التقسيم القليل العينات (FSS) وعدًا لكنها غالبًا ما تتطلب إعادة تدريب على المجال المستهدف وتواجه صعوبة في التعميم عبر وسائل مختلفة. وبالمثل، فإن تهيئة النماذج الأساسية مثل Segment Anything Model (SAM) للتصوير الطبي لها محدوديات، تشمل الحاجة إلى التعديل الدقيق والتكيف مع المجال المحدد. لمعالجة هذه القضايا، نقترح طريقة جديدة تُكيف DINOv2 وSegment Anything Model 2 (SAM 2) للتقسيم الطبي القليل العينات المدعوم بالإسترجاع. تستخدم طريقتنا خصائص DINOv2 كاستعلام لاسترجاع عينات مشابهة من البيانات المشروحة المحدودة، والتي تُشفر بعد ذلك كذاكرات وتُخزن في بنك الذاكرة. باستخدام آلية الانتباه للذاكرة في SAM 2، يستغل النموذج هذه الذكريات كظروف لتوليد تقسيم دقيق للصورة المستهدفة. قمنا بتقييم إطار العمل هذا على ثلاث مهام تقسيم الصور الطبية، مظهرين أداءً متفوقًا وقابلية تعميم عبر وسائط متنوعة دون الحاجة لأي إعادة تدريب أو تعديل دقيق. بشكل عام، تقدم هذه الطريقة حلاً عمليًا وفعالًا للتقسيم الطبي القليل العينات وتمتلك إمكانات كبيرة كأداة قيمة للتشريح في التطبيقات السريرية.