ECCV 2026 | 仅需1例标注，如何让医学图像分割大模型适应新任务？AtlasSegFM让图谱成为完美上下文！
论文题目：Atlas is Your Perfect Context: One-Shot Customization for Generalizable Foundational Medical Image Segmentation
发表出处：ECCV 2026（European Conference on Computer Vision）
作者：Ziyu Zhang, Yi Yu, Simeng Zhu, Ahmed H. Aly, Yunhe Gao, Ning Gu, Yuan Xue
作者机构：南京大学、美国俄亥俄州立大学、美国斯坦福大学
论文链接：https://doi.org/10.1007/978-3-032-37255-0_30
开源代码：https://github.com/yuyi1005/AtlasSegFM
关键词：Medical Image Segmentation、Foundation Models、One-Shot Learning、Atlas Registration、Test-Time Adaptation
1. 🚀 省流版摘要（TL;DR）
近年来，MedSAM2、nnInteractive 等医学图像分割基础模型（Foundation Models, FMs）不断刷新分割任务的性能上限。然而，一个现实问题始终存在：当模型遇到预训练阶段没有充分见过的解剖结构时，即使提供点击、边界框等交互提示，分割结果也可能不尽如人意。
如何让一个已经训练好的基础模型，以极低的标注成本快速适应新的临床任务？
ECCV 2026 论文《Atlas is Your Perfect Context》提出了一个颇具启发性的解决方案------AtlasSegFM。
它的核心思路非常直接：
不重新训练医学分割基础模型，而是利用一例带有标注的医学影像（Atlas），通过图像配准生成具有解剖先验的自动提示，再结合基础模型与自适应融合，实现对新任务的单样本定制。
整个框架包含三个关键步骤：
- Atlas Registration：将带标注的图谱配准到目标图像，生成初始分割及解剖先验。
- Foundation Model Refinement：把图谱分割转换成 Point、Box 或 Mask Prompt，引导冻结的基础模型进行精细分割。
- Adaptive Fusion：学习空间自适应的可靠性权重，融合图谱的结构信息与基础模型的局部预测。
论文在6个公开及内部医学影像数据集上进行了验证，涵盖放疗危及器官、骨骼和复杂血管结构。
部分代表性结果包括：
- HaN-Seg ：平均 Dice 达到 63.71%。
- SegRap ：平均 Dice 达到 69.19%。
- Pengwin ：平均 Dice 达到 95.50%。
- Fe-MRA ：血管分割 Dice 达到 84.42% ，clDice 达到 82.99%。
- BrainRT 危及器官 ：Dice 达到 77.07%。
更值得关注的是，AtlasSegFM 无需更新基础模型本身的参数，也不需要额外收集大规模目标任务标注数据。
它展示了一种新的研究思路：基础模型的定制，不一定要通过微调模型参数完成，也可以通过向模型提供更准确、更有结构信息的上下文来实现。
2. 🧐 背景与痛点（Motivation）
2.1 医学图像分割基础模型真的足够通用了吗？
传统医学图像分割通常依赖 U-Net、nnU-Net 等监督学习方法。
这类方法在充分标注的数据集上往往表现出色，但当研究者需要分割一个新的器官、解剖结构或影像模态时，通常仍然面临重新采集数据、标注数据和训练模型的问题。
基础模型的出现为这一困境提供了新的可能。
例如，MedSAM2、nnInteractive 等模型通过大规模预训练获得了跨数据集和跨任务的分割能力。用户只需在目标结构上提供一个点或一个 Bounding Box，就能够引导模型生成分割结果。
但这背后隐藏着一个关键假设：
模型能够仅凭简单空间提示，正确理解用户想要分割的解剖结构。
在常见的大器官上，这个假设可能成立；但对于视交叉、视神经、下肢血管分支等细小或低频出现的结构，简单的点击并不足以传递明确的解剖语义。
论文 Figure 2 展示了这一问题：相同的 nnInteractive 模型，在常见整脑分割场景中表现良好，但面对小型放疗危及器官时，性能明显下降。
这说明，拥有强大的视觉表征能力，并不意味着基础模型已经理解了所有临床场景下的目标定义。
2.2 既然可以提供示例，为什么不直接使用 In-Context Learning？
近年来，In-Context Learning（ICL）成为医学图像分割的一条重要研究路线。
其思想是给模型一个已标注的 Support Image，再输入新的 Query Image，让模型根据示例完成目标分割。
例如：
- UniverSeg：利用支持集信息实现跨任务医学图像分割。
- Iris：通过视觉上下文实现更通用的医学影像分割。
- Tyche：探索少样本分割中的多样化预测。
这类方法降低了目标任务的标注需求，但也存在新的问题。
首先，不少 ICL 模型需要事先使用大量跨任务数据训练，学习如何从 Support Image 中提取和迁移信息。
其次，现有方法中相当一部分主要针对二维图像设计，难以充分利用三维解剖结构的空间连续性。
最重要的是，当一个性能更强的基础模型出现时，原有 ICL 模型未必能够直接继承其能力。
于是，一个值得思考的问题出现了：
能否不再训练一个专门的 ICL 模型，而是让现成的分割基础模型直接利用单例示范？
2.3 AtlasSegFM 的切入点：让 Atlas 成为结构化上下文
医学图像领域其实早已有一种经典方法：Atlas-Based Segmentation（图谱分割）。
其基本操作是将一例已标注图像配准到新患者影像，并将原始标注随变形场迁移到目标图像上。
这种方法最大的优点，是天然保留了人体解剖结构的位置、形态和空间关系。
但它也有明显缺点：配准往往无法完全处理患者之间的局部解剖差异，因此直接迁移的分割掩码不一定足够准确。
AtlasSegFM 正是试图把两种方法的优势结合起来：
- Atlas 提供全局解剖一致性与目标结构先验。
- Foundation Model 提供强大的图像表征和局部结构精细化能力。
这并不是简单地把两个分割结果相加，而是利用 Atlas 同时承担任务上下文、自动提示和结构先验三种角色。
3. 💡 核心方法（Methodology）
3.1 整体架构（Overall Architecture）
AtlasSegFM 的输入非常简洁：
- 一例已标注的 Support Atlas：
(X_atlas, Y_atlas) - 一例未标注的 Query Image：
X_query - 一个预训练好的分割基础模型
最终目标是输出 Query Image 对应的分割结果 Y_query。
整个框架可以理解为：
单例图谱 → 图像配准 → 解剖提示生成 → 基础模型预测 → 自适应融合 → 最终分割
与传统 Fine-Tuning 不同，AtlasSegFM 不更新基础模型的参数。
需要注意的是，这并不意味着整个系统完全不需要优化。框架中的配准网络和轻量级融合模块仍会在测试时针对当前图像对进行优化。
因此，从技术上更准确的表述是：
冻结基础模型，通过测试时配准与轻量级自适应，实现任务定制。
3.2 模块一：基于 Atlas 的图像配准与自动提示
第一步是将 Atlas 与 Query 进行空间对齐。
给定图谱图像 X_atlas 和目标图像 X_query，模型需要求解一个空间变换 T，使变换后的图谱尽可能与目标图像一致。
其优化目标可以写为：
T∗=argminTLreg(T(Xatlas),Xquery)T^*=\arg\min_T \mathcal L_{\mathrm{reg}}(T(X_{\mathrm{atlas}}),X_{\mathrm{query}})T∗=argminTLreg(T(Xatlas),Xquery)
其中：
T是待估计的空间变换。L_reg是图像配准损失。T*表示最优估计的变换。
论文使用基于 Recursive Deformable Pyramid（RDP）的配准网络，并引入 Rigid 和 Affine Pre-registration，为后续可变形配准提供更好的初始状态。
与常规需要预先训练的配准网络不同，这里针对每一对 Atlas--Query 图像执行 Test-Time Optimization。
论文中的配准优化采用 NCC 损失，学习率为 1e-4，迭代300次。
得到变换场以后，同样将其作用于 Atlas 的标注：
Matlas=T∗(Yatlas)M_{\mathrm{atlas}}=T^*(Y_{\mathrm{atlas}})Matlas=T∗(Yatlas)
由此获得 Query 空间中的初始分割掩码。
真正关键的设计，在于这个初始分割并不只是最终结果的候选，而是进一步被转换为基础模型的自动提示。
论文支持三种提示类型：
| Prompt 类型 | 从 Atlas 中如何获得 | 提供的信息 |
|---|---|---|
| Point / Click | 提取最大连通区域的质心 | 目标的大致位置 |
| Bounding Box | 提取中间切片中的最小外接框 | 目标范围 |
| Mask | 直接使用变形后的 Atlas Mask | 目标形状与空间分布 |
例如，传统交互方式需要医生在每个病例上手动点击目标结构，而 AtlasSegFM 可以通过配准自动确定提示位置。
对于 MedSAM2，论文在中间切片初始化分割，并向三维体数据的两个方向传播预测；对于 nnInteractive，则可根据输入提示直接得到三维预测。
这一设计将传统的交互式提示，转变成了由解剖先验驱动的自动提示。
3.3 模块二：冻结基础模型进行精细分割
得到 Atlas Prompt 后，第二步是调用预训练基础模型。
其数学形式为：
Mfm=fFM(Xquery,Pi)M_{\mathrm{fm}}=f_{\mathrm{FM}}(X_{\mathrm{query}},P_i)Mfm=fFM(Xquery,Pi)
其中：
f_FM是预训练基础模型。P_i是 Atlas 生成的 Point、Box 或 Mask Prompt。M_fm是基础模型预测结果。
这一步的意义是让基础模型重新检查 Atlas 提供的初始分割。
例如，Atlas 可能已经定位了目标器官，但局部边界因为配准误差而不够准确。
基础模型则可以结合 Query Image 的真实纹理、灰度和结构特征，对分割边界进行修正。
论文同时展示了框架对于不同基础模型的兼容性：
- nnInteractive：能够使用三维 Mask Prompt。
- MedSAM2：能够使用点击、边界框等提示进行分割与传播。
- vesselFM：对于不支持交互提示的模型，直接使用图像完成预测，再参与后续融合。
因此，AtlasSegFM 并不绑定某一个特定的基础模型架构。
这种模块化设计也意味着，当未来出现更强的分割基础模型时，理论上可以在不改变整体思路的情况下替换底层模型。
3.4 模块三：Atlas-FM Adaptive Fusion------该相信谁？
这是 AtlasSegFM 的另一个关键部分。
经过前两个步骤，系统已经获得两个预测结果：
M_atlas：来自图谱配准，结构相对稳定，但可能存在局部偏差。M_fm：来自基础模型，局部细节可能更准确，但也可能漏分割或错误扩展。
如果简单取两个掩码的平均值，并不能区分它们各自擅长的区域。
因此，论文引入一个空间自适应 Gain Map：K。
最终预测定义为：
Mfinal=Mfm+K(Matlas−Mfm)\boxed{M_{\mathrm{final}}=M_{\mathrm{fm}}+K(M_{\mathrm{atlas}}-M_{\mathrm{fm}})}Mfinal=Mfm+K(Matlas−Mfm)
等价于：
Mfinal=(1−K)Mfm+KMatlasM_{\mathrm{final}}=(1-K)M_{\mathrm{fm}}+KM_{\mathrm{atlas}}Mfinal=(1−K)Mfm+KMatlas
其中，K 的取值范围为 [0,1]。
可以把它理解成一个逐体素的信任分配器：
- 当 K 接近 0 时，主要相信 Foundation Model。
- 当 K 接近 1 时，主要相信 Atlas。
- 当 K 介于 0 和 1 时，对两种预测进行加权融合。
举个简单例子：
假设在某个器官边界区域，Atlas 预测偏离了真实边界，而基础模型根据图像特征给出了更加合理的结果。
理想情况下，融合模块会降低这个位置的 K，使最终分割更多参考基础模型。
相反，如果基础模型由于目标过小而发生漏分割，但 Atlas 保留了较完整的结构先验，那么 K 应当相应增大。
问题在于：模型如何自动知道哪个结果更可靠？
论文设计了一个轻量级的三维可靠性估计网络：
K=σ(g(Xquery,Matlas,Mfm))K=\sigma\left(g(X_{\\mathrm{query}},M_{\\mathrm{atlas}},M_{\\mathrm{fm}})\right)K=σ(g(Xquery,Matlas,Mfm))
在实现中，网络不只是简单拼接三个输入，而是进一步构建包括图像特征、Mask Logit、预测差异、两种掩码的不一致程度和预测熵在内的特征表示。
这些信息共同描述局部结构、预测冲突与不确定性，再由轻量级 3D Encoder 估计 K。
最后通过 Sigmoid 将 K 限制在 [0,1]。
从控制思想上理解，这有点类似于一种空间可变增益的双源信息融合：不是预先指定哪种方法更好，而是根据每个位置的输入状态动态调整两者的贡献。
3.5 没有 Query 标注，融合模块怎么训练？
这是整个方法中容易被忽略、但十分重要的问题。
对于新任务，Query Image 本来就是未标注的。
因此，不能直接拿 Query 的 Ground Truth 来监督融合模块。
AtlasSegFM 采用的是 Cycle-Transformation Supervision。
基本流程为：
- 将 Support Atlas 配准到 Query 空间。
- 使用变换后的 Atlas Mask 生成提示，并调用冻结的基础模型。
- 在 Query 空间进行自适应融合，获得融合预测。
- 将融合结果通过逆向空间变换映射回 Support 空间。
- 与已知的 Support Label 计算 Dice Loss，优化融合网络。
可以概括为：
Support → Query → Support 的循环一致性约束。
由于整个过程只使用已知的 Support Label，而不访问 Query Ground Truth，因此能够在单例标注条件下优化融合模块。
论文中融合网络采用 1e-5 学习率，迭代100次。
这一机制的价值在于，它把已有单例标注转化成了测试时的学习信号。
不过需要强调，循环一致性本身并不等于 Query 空间中的真实分割准确性。它提供的是一种间接约束，其效果仍需要依赖实验验证。
4. 📊 实验与结果（Experiments）
4.1 六个数据集验证：从骨骼、放疗器官到复杂血管
为了验证方法的泛化能力，作者选择了6个数据集，涵盖不同解剖结构与影像模态。
| 数据集 | 样本数量 | 主要任务 |
|---|---|---|
| HaN-Seg | 42 | 头颈部放疗危及器官分割 |
| SegRap | 30 | 鼻咽癌放疗危及器官分割 |
| Pengwin | 100 | 骨盆解剖结构分割 |
| AVT | 56 | 主动脉及分支血管树分割 |
| Fe-MRA | 50 | 下肢动静脉精细分割 |
| BrainRT | 60 | 整脑及脑部危及器官分割 |
实验采用5折交叉验证，并在每种分割上下文中使用一例 Support Atlas。
评价指标包括 Dice、Normalized Surface Dice（NSD）、HD95，以及用于评价血管中心线结构的 clDice。
这里尤其值得强调的是 Fe-MRA 和放疗危及器官两个场景。
前者要求模型能够恢复细小、连续、复杂的三维血管结构；后者则包含大量尺寸较小、形态不规则、对定位精度要求很高的解剖结构。
这两类任务对于传统的简单 Prompt 方法都有较高难度。
4.2 与现有方法的定量对比
论文分别与监督学习方法、交互式基础模型以及现有 In-Context Learning 方法进行比较。
AtlasSegFM 在主要任务上的代表性 Dice 结果如下：
| 数据集 / 任务 | AtlasSegFM Dice |
|---|---|
| HaN-Seg | 63.71% |
| SegRap | 69.19% |
| Pengwin | 95.50% |
| BrainRT Whole-Brain | 91.24% |
| BrainRT Organs-at-Risk | 77.07% |
| AVT | 81.34% |
| Fe-MRA | 84.42% |
其中，前三项与 BrainRT 使用 nnInteractive-based 版本，AVT 与 Fe-MRA 使用 vesselFM-based 版本。
更直观的对比发生在 HaN-Seg 与 SegRap 数据集上：
| 方法 | HaN-Seg Dice | SegRap Dice | Pengwin Dice |
|---|---|---|---|
| nnInteractive（5 Clicks） | 55.29 | 50.02 | 93.63 |
| Iris | 37.57 | 42.73 | 68.14 |
| AtlasSegFM | 63.71 | 69.19 | 95.50 |
与使用5次点击的 nnInteractive 相比，AtlasSegFM 在 HaN-Seg 上提升 8.42个百分点 ，在 SegRap 上提升 19.17个百分点。
需要注意的是，论文中的部分交互式基础模型基线使用了来自 Query Ground Truth 的点击位置。这属于有利于基线的理想化定位设置，而 AtlasSegFM 使用的提示由 Atlas 自动生成。
4.3 血管分割：不仅要分得准，还要保持拓扑结构
在血管分割任务中，单纯提高 Dice 并不足够。
对于细长、分叉复杂的血管结构，即使总体重叠程度较高，也可能存在大量断裂、漏分支等问题。
因此，论文同时引入 clDice 来评价中心线相关的结构一致性。
在 AVT 与 Fe-MRA 数据集上，AtlasSegFM 获得以下结果：
| 数据集 | Dice ↑ | clDice ↑ | HD ↓ |
|---|---|---|---|
| AVT | 81.34 | 72.04 | 30.84 |
| Fe-MRA | 84.42 | 82.99 | 3.00 |
特别是在 Fe-MRA 下肢血管场景中，相较于直接使用 vesselFM，AtlasSegFM 的性能得到显著提升。
论文 Figure 4 展示了一个很直观的现象：部分现有方法存在明显的血管缺失或断裂，而 AtlasSegFM 能够恢复更加完整的动静脉结构。
这说明 Atlas 所提供的全局空间先验，对于处理复杂三维解剖结构具有实际价值。
4.4 消融实验：三个模块是否真的有效？
一个重要问题是：最终性能提升，究竟来自配准、基础模型，还是融合模块？
论文通过逐步添加组件，验证各个模块的作用。
| 模块配置 | Pengwin Dice | HaN-Seg Dice | Fe-MRA Dice |
|---|---|---|---|
| Atlas Only | 63.24 | 37.32 | 35.73 |
| + Rigid Pre-registration | 70.55 | 41.89 | 66.43 |
| + Affine Pre-registration | 82.75 | 48.72 | 81.64 |
| FM Baseline | 72.09 | 42.42 | 55.28 |
| + Atlas Prompts | 94.56 | 61.74 | N/A |
| + Adaptive Fusion | 95.50 | 63.71 | 84.42 |
数据可以支持三个结论。
第一，配准初始化非常关键。
以 Fe-MRA 为例，仅使用初始 Atlas Registration 时，Dice 为35.73%；加入 Rigid 与 Affine Pre-registration 后，提升到81.64%。
这说明高质量的空间对齐是整个方法的重要基础。
第二，Atlas Prompt 远不只是自动化工具，它直接影响基础模型的分割能力。
Pengwin 上，FM Baseline Dice 为72.09%；加入 Atlas Prompt 后提升到94.56%。
这表明具有解剖先验的 Prompt，能够比简单的空间定位提供更多有效信息。
第三，自适应融合能够进一步改善最终结果。
在 Pengwin 上，加入 Fusion 后 Dice 从94.56% 提升至95.50%；在 HaN-Seg 上，从61.74% 提升至63.71%。
这些结果支持了 Atlas 和 FM 具有互补性的假设。
不过从增益大小也能看出，在部分数据集上，Atlas 引导的 Prompt 可能是主要性能提升来源，而 Fusion 更偏向于进一步修正和完善结果。
4.5 Mask、Box、Click，哪种提示更有效？
AtlasSegFM 支持多种 Prompt 类型，但不同提示所包含的信息量并不相同。
论文 Figure 5 针对 Pengwin 中的一个案例进行了比较：
| Atlas Prompt | Dice |
|---|---|
| Click | 92.60% |
| Box | 88.96% |
| Mask | 95.77% |
Mask Prompt 在该案例中获得了最佳结果。
这一现象并不难理解。
Point 只告诉模型目标大概在哪里，Box 进一步给出了空间范围，而 Mask 还额外提供了目标的形态、方向和连续结构。
特别是在三维医学影像中，这些结构化信息可能非常重要。
但需要注意，这组数据属于论文展示的案例分析，不能据此推断 Mask 在所有病例、所有结构以及所有基础模型上都一定最优。
更合理的结论是：在能够有效利用三维 Mask Prompt 的模型中，Atlas 所包含的丰富空间信息具有重要价值。
4.6 推理效率：是否适合实际应用？
除了准确率，论文还比较了不同方法的推理时间和可学习参数规模。
在 NVIDIA RTX 4090 上，对一例尺寸为 256 × 256 × 240 的 BrainRT 图像，AtlasSegFM 的平均运行时间约为 1.8分钟。
其中：
- 配准阶段约1.5分钟。
- 基础模型预测约0.01分钟。
- 自适应融合约0.3分钟。
可学习组件合计约 8.6M 参数，且不需要更新基础模型本身。
这一结果说明方法具有一定的部署潜力，但同时也表明：配准仍然是主要计算瓶颈。
如果希望进一步用于大规模批处理，提高配准稳定性和降低运行时间将是重要方向。
5. 🧠 笔者思考与总结（Conclusion & Thoughts）
5.1 最大的创新并不是提出了一个更复杂的网络
仔细看 AtlasSegFM 的三个部分：
- 医学图像配准是经典技术。
- 分割基础模型已经具有较强能力。
- 自适应融合本身也不是全新的概念。
真正值得关注的是，作者重新定义了这些组件之间的关系。
Atlas 不再只是一个传统分割结果的来源，而是成为了 Foundation Model 的结构化上下文。
从这个角度理解，AtlasSegFM 的主要贡献可以归纳为三个层面。
① 从人工交互到解剖驱动的自动提示
过去的交互式基础模型主要依赖 Point、Box 等人工操作。AtlasSegFM 则利用单例示范自动生成提示，在一定程度上将交互式分割转化为可批处理的任务定制流程。
② 从模型微调到输入上下文定制
传统新任务适配往往需要更新模型参数。AtlasSegFM 则冻结基础模型，通过 Atlas 生成的新上下文改变模型的预测行为。
这种方式为持续演进的医学图像基础模型提供了一种不同于参数微调的适配路径。
③ 从单一模型预测到互补信息融合
Atlas 具有解剖结构先验，FM 具有局部视觉表征能力。两者各有优势，也各自存在不可靠的区域。
利用空间自适应权重融合两类信息，为构建更稳健的医学影像分析系统提供了有价值的设计思路。
5.2 AtlasSegFM 还有哪些局限？
尽管结果具有吸引力，这一方法仍存在一些尚未完全解决的问题。
第一，对 Atlas--Query 配准质量存在依赖。
当两例图像的视野、成像模态或解剖形态差异较大时，配准可能出现明显偏差。
虽然 FM 可以修正部分初始错误，但如果 Atlas 无法正确定位目标结构，后续 Prompt 和 Fusion 都可能受到影响。
论文 Figure 6 也展示了类似失败案例，例如 SegRap 中左右下颌骨被错误合并，以及 AVT 中部分主动脉弓结构恢复不完整。
第二，单一 Atlas 对显著异常解剖的泛化能力有限。
对于器官切除、严重变形、先天异常或病灶导致的大范围结构改变，单例正常解剖图谱可能无法提供准确的先验。
因此，论文也明确指出，当前框架更适合解剖结构具有一定一致性的任务，对于局灶性病变分割并不一定适用。
第三，Test-Time Adaptation 仍然存在效率与可靠性问题。
虽然不需要重新训练整个 FM，但每对图像仍需进行配准和融合优化。
此外，循环一致性约束能否在各种情况下准确识别 Atlas 与 FM 的相对可靠性，还值得更深入地验证。
第四，Prompt 类型尚未实现真正的样本级自适应选择。
论文能够支持 Click、Box、Mask，但主要是根据模型接口与实验设置使用相应 Prompt。
在更复杂的场景中，哪一种 Prompt 最优，可能随器官、个体、配准质量和基础模型发生变化。
这也意味着 Prompt Selection 本身仍然是一个值得继续研究的问题。
5.3 未来研究可以走向哪里？
笔者认为，AtlasSegFM 提供了三个值得进一步探索的方向。
方向一：更鲁棒的跨患者三维配准。
如何处理视野差异、异常解剖和局部形变，并在配准失败时自动检测和修正，将直接影响整个框架的下限性能。
方向二：从固定 Prompt 到自适应 Prompt Selection。
未来可以结合原始图像特征、Atlas 分割质量以及不同 Prompt 对预测稳定性的影响，动态判断当前病例最适合使用 Point、Box 还是 Mask。
这可能比简单增加交互次数更有研究价值。
方向三：进一步利用不确定性设计可信融合机制。
现有 Gain Map 使用多种与预测冲突、不确定性相关的特征。
未来还可以探索配准不确定性、基础模型预测置信度、局部拓扑合理性和解剖结构一致性，让融合模块不仅输出分割结果，也能对结果的可靠性进行评估。
对于需要医学审核的临床应用，这一点尤其重要。
结语
医学图像分割基础模型的发展，正在逐渐从追求更大规模的预训练，转向思考如何高效地服务于具体临床任务。
AtlasSegFM 给出了一个值得关注的答案：
与其要求基础模型记住所有解剖结构，不如在执行新任务时，给它一个足够准确的解剖示例。
通过单例 Atlas、自动提示和自适应融合，AtlasSegFM 将传统医学图像配准与现代分割基础模型连接起来，展示了无需重新训练基础模型的任务定制能力。
对于标注资源有限、目标结构复杂、分割需求高度个性化的医学影像任务，这种思路具有实际应用潜力。
更重要的是，它提出了一个值得持续思考的问题：
当基础模型已经足够强大时，下一步的突破，究竟来自更大的模型，还是来自更聪明的上下文？
本文由 AI 辅助解读，方法和实验数据来源于原论文，研究思考部分包含独立分析。详细实验设置及结论请以原论文为准。