血管分割是医学影像分析中的关键任务，涉及诊断、手术规划等。由于血管形态复杂且成像条件多变，构建跨解剖结构和模态的通用分割器仍然困难。现有深度学习方法多聚焦于特定数据集，缺乏普适性。Segment Anything Model（SAM）在通用分割上表现出色，但其原始设计未充分利用血管的拓扑信息，对细小血管的捕捉能力有限，导致性能不佳。
为此，本文提出 ReG‑SAM，一个针对二维血管分割的 SAM‑based 框架。核心思想是引入参考图集合，以增强血管表征。我们从参考掩码中构建两类模态感知表示：图提示嵌入（Graph Prompt Embeddings，GPE）捕获图的全局空间特征，血管原型嵌入（Vascular Prototype Embeddings，VPE）从多尺度特征图和血管掩码中提取细粒度、模态特定的血管特征。
在推理阶段无法获得真实血管掩码，为解决此问题，我们构建了模态级血管数据库，并设计了两套基于参考图的表示学习方案，利用数据库中的样本估计 GPE 和 VPE，而非依赖真实标签。实验在 19 个公开数据集上进行，结果显示 ReG‑SAM 在整体指标和细血管分割上均显著超越包括手工提示在内的所有对比方法。
点评：ReG‑SAM 通过参考图驱动的双重嵌入，有效弥补了 SAM 在血管细节建模上的不足，展示了跨模态、跨解剖的强鲁棒性，为医学血管分割提供了可推广的解决方案。