SAM 및 SAM-2와 같은 파운데이션 세그멘테이션 모델은 자연 이미지에서는 성능이 좋지만, 경계가 불분명하고 대비가 낮은 뇌 MRI에서는 어려움을 겪습니다. 본 논문은 이러한 모델을 미세 조정하는 대신(MedSAM 등), 파운데이션 모델의 출력을 추가 입력 채널로 취급하여 MRI와 함께 관심 영역을 강조하는 구성을 제안합니다. 경량 3D U-Net을 사용하여 SAM-2 프롬프트를 생성하며, DINO 어텐션 맵을 사용하여 프롬프트가 없는 세그멘테이션도 테스트합니다. 이 "has-a" 아키텍처는 파운데이션 가중치를 수정하지 않고, 재훈련 없이 도메인 변화에 적응합니다. 기저핵 세그멘테이션에서 약 96%의 볼륨 정확도를 달성하며, 급성 소아 OCD의 염증 관련 변화 연구에 적용됩니다.
