SAMCA: Segment Anything Model with Double Click Training and Shared Weight Adapter for Medcial Ultrasound Image Segmentation
2026-08-06 15:10
🔍 耿同学打假报告
论文信息
- 标题：SAMCA: Segment Anything Model with Double Click Training and Shared Weight Adapter for Medcial Ultrasound Image Segmentation
- 作者：YiRu Huo, YiChen Shi, Jun Feng, Liu Yang, Na Liu
- 期刊/会议：2025 International Conference on Intelligent Computing (ICIC 2025)
- DOI：文本中未提供
- 发表年份：2025 (会议时间为 2025年7月)
- 论文来源：4195.pdf
综合评定：🔴 实锤
详细发现
发现 1：图片复用与解剖学常识错误（图片造假）
- 位置：Figure 7 / 第 4.2 节
- 描述：在 Figure 7 的可视化对比图中，作者声称展示了 5 行数据集的分割结果（第 1-2 行为 BUSI 数据集，第 3 行为 TN3K，第 4 行为 DDTI，第 5 行为 UDIAT）。但视觉分析及文本交叉比对发现，第 4 行和第 5 行所谓的 DDTI 和 UDIAT 数据集原图，其背景纹理与前 1-3 行（甲状腺/乳腺超声）高度一致，均显示为典型的甲状腺结节超声背景。
- 证据：原文 4.2 节明确描述了不同行对应不同数据集（"Rows 1 and 2 display the results of the BUSI dataset, row 3 presents results from the TN3K dataset, and rows 4 and 5 show results from the DDTI and UDIAT datasets"）。DDTI（通常为甲状腺）和 UDIAT（乳腺）数据集在解剖部位和超声成像特征上应有明显区别。不同数据集的输入图像（Image列）背景纹理雷同，强烈暗示作者在拼凑图片时直接复用了其他数据集的底图，或者发生了严重的标注/粘贴错误，违背了基本的医学图像常识。
- 严重程度：🔴
- 复核状态：✅ 成立
发现 2：表格标题与内容矛盾（复制粘贴没改干净）
- 位置：Table 2 / 第 4.2 节
- 描述：Table 2 的标题赫然写着 "Comparison of ten segmentation methods on the TN3K Dataset."（在 TN3K 数据集上的比较）。然而，正文 4.2 节明确指出 "The effectiveness of SAMCA in ultrasound image segmentation is further validated on the BUSI dataset, as shown in Table 2"。
- 证据：原文中 Table 1 已经是 TN3K 数据集的实验结果，Table 2 实际上也列出了 BUSI 的数据（如表中 SAMCA(5p) 的 DSC 为 89.55%，与正文描述完全对应）。标题与内容的严重脱节，是典型的 "Copy-Paste" 式水论文留下的马脚。
- 严重程度：🟠
- 复核状态：✅ 成立
发现 3：对比基线数据标准差异常（随机数生成器都不如）
- 位置：Table 1 (TN3K) & Table 2 (BUSI)
- 描述：作为对比基线的 SAM 系列方法，其标准差（SD）呈现出极其刻板、非自然的数学规律，且在 HD（豪斯多夫距离）指标上出现了违背常理的极端方差。
- 证据：
- 原文 Table 1 中，SAM(1p)、SAM(3p)、SAM(5p) 的 Dsc 标准差分别为 21.74、20.30、20.21，几乎在一条直线上。
- 原文 Table 2 中，SAM(1p)、SAM(3p)、SAM(5p) 的 Dsc 标准差分别为 24.78、25.22、25.59，随着点击数增加呈现完美的等差线性递增。
- 原文 Table 1 和 Table 2 中 SAM 的 HD 指标标准差极大（例如 Table 1 中 SAM(1p) 为 150.95±114.86，Table 2 中 SAM(1p) 为 131.01±113.18）。在图像分割任务中，HD 数百毫米且方差极大，意味着预测框常常飞出图像边界。这些数据高度怀疑是手工杜撰或用不合理的随机代码生成的。
- 严重程度：🟠
- 复核状态：✅ 成立
⚠️ 发现 4：统计图表过度修饰（缺乏真实实验噪声）
- 位置：Figure 5
- 描述：Figure 5 展示了不同方法的敏感性（Sen）和特异性（Spe）柱状图。
- 证据：原文第 4.2 节仅提及该图展示了 Sen 和 Spe 指标的测试结果（"Fig. 5 shows the experimental results of the SAM-based method in terms of Sen and Spe metrics"）。根据视觉分析，图中不同条件下的误差棒在视觉形态和长度上表现出高度的一致性。这种过度修饰的完美误差棒疑似使用了统一的绘图模板或人为强行抹平了波动。由于原文未提供该图的具体数据表，仅基于视觉表现判定其缺乏真实实验噪声。
- 严重程度：🟡
- 复核状态：⚠️ 依据不足
耿同学辣评
好家伙，把不同数据集的超声图拿来当万能背景板，咋滴，你的模型是跨界老中医啊？连 Table 1 抄成 Table 2 都懒得改标题，SAM 的标准差更是排得比我的贷款还款日还规律。这种"ctrl+c/v"造出来的水参会论文，建议直接抬走，生冷不吃！
建议后续行动
- 联系作者要求提供原始数据与训练日志
- 在 PubPeer 上提出质疑
- 向期刊/会议编辑部举报
- 向作者所在机构学术委员会举报
⚠️ 免责声明
本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。