Apr, 2023

医学图像分割

PDF
TL;DRMedSAM 是第一次尝试将 SAM 的成功延伸到医学图像中，通过构建一个包含超过 200,000 个掩膜的大规模医学图像数据集，并开发了一种简单的微调方法，以适应普通医学图像分割，在 21 个 3D 分割任务和 9 个 2D 分割任务的全面实验中，展示了超过默认 SAM 模型的平均 Dice 相似系数 (DSC) 分别达到了 22.5% 和 17.6 %。
segmentationmedical imagesmedsamdatasetdice similarity coefficient
发现论文，激发创造
  • SAM-Med2D

    SAM-Med2D 是目前最全面的研究，通过收集和整理公开和私有数据集的约 4.6M 图像和 19.7M 掩膜构建了一个包括不同模态和对象的大规模医学图像分割数据集，并通过包围盒、点和掩膜的综合提示将自然图像分割模型 SAM 应用于医学图像分割，进行了彻底的微调，获得了最佳性能和泛化能力。

    Aug, 2023

  • SAM-Med3D

    该研究提出了 SAM-Med3D，对 3D 医学图像进行了全面研究和修正，通过训练在大规模数据集上的全面处理的 3D 体系结构，提供了全面的性能评估。与 SAM 相比，SAM-Med3D 在三维体积医学图像的分割能力和效率上都具有显著的增强。

    Oct, 2023

  • SAMM（Segment Any Medical Model）：用于 SAM 的三维切片器集成

    SAM 模型在图像分割方面表现良好，但在医学图像方面还需要进一步验证。我们介绍了 SAMM，它是 SAM 的扩展，用于在 3D Slicer 上处理医学图像，并能够近乎实时地产生图像掩膜。

    Apr, 2023

  • 医学图像分割中的 Segment-Anything 模型（SAM）的准确性

    通过实验探究 SAM 模型对 12 个不同器官、图像模式和健康情况的医学图像数据集的精确度及其在医学图像分割方向上的应用前景，发现 SAM 模型在没有重新训练医学图像时准确度没有 U-Net 和其他深度学习模型高。

    Apr, 2023

  • 医学图像分割模型？

    SAM 是用于图像分割的第一个通用基础模型，能以自动或手动提示的方式进行零 - shot 图像分割，并在不同的自然图像分割任务中取得了令人瞩目的成绩。但在医学图像分割方面仍然存在一定挑战，SAM 在某些情况下表现出色，但需要结合手动标注才能取得更好的表现。

    Apr, 2023

  • SA-Med2D-20M 数据集：用 2000 万个掩模对 2D 医学影像进行分割

    通过在 Segment Anything Model（SAM）中引入医学知识，我们介绍了 SA-Med2D-20M，这是一个基于众多公共和私有数据集构建的大规模分割数据集，包含了 460 万个 2D 医学图像和 1970 万个相应的蒙版，并详细描述了该数据集的构建和处理方法。我们希望利用 SA-Med2D-20M 数据集的大规模和多样性来开发医学人工智能，以增强诊断、医学图像分析、知识共享和教育。

    Nov, 2023

  • 医学图像分割的定制分段模型

    提出 SAMed，它是一种通用的医学图像分割解决方案，可在医学图像上实现语义分割，并实现与同类最先进方法相媲美的准确率。

    Apr, 2023

  • 医学影像分割模型：实验研究

    本文对 Segment Anything Model 在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

    Apr, 2023

  • 基于大型视觉模型的医学图像标注框架 SAM^Med

    SAM 模型为基础，通过 SAM^{assist} 和 SAM^{auto} 两个子模块，提出了 SAM^{Med} 框架，无需大量标记即可实现精准的医学图像分割。

    Jul, 2023

  • Slide-SAM：医学 SAM 满足滑动窗口

    在医学图像分割中，Segment Anything Model (SAM) 的应用受到其在自然图像分割中的良好表现的限制。为此，我们引入了 Slide-SAM，将 SAM 扩展到 3D 医学图像分割中，并通过使用单个切片提示来减少专业人员的负担，实现更高分辨率的训练以实现最优学习结果，并通过充分评估和分析不同特征、解剖结构和器官的 Slide-SAM 在医学图像分割中的表现，证明其具有最先进的 3D 分割性能。

    Nov, 2023