医学图像上的SAM:三种提示模式的全面研究
本研究评估了SAM模型在数字病理学中零次分割任务的表现,结果表明其可对大型连通对象进行显着分割,但对密集实例对象分割的性能不尽如人意。未来,来自下游病理分割任务的图像的少量微调可能有助于模型在密集对象分割方面取得更好的性能。
Apr, 2023
本文将利用基于Segment Anything Model (SAM)的零样本能力进行医学图像分割任务的初步评估,结果表明,SAM可以很好地适应CT数据,因此有望成为半自动分割工具的推手,并且相信这种基础模型能够成为医学领域模型其他适应性研究的良好出发点。
Apr, 2023
SAM是一个通用视觉模型,虽然在医学图像分割上的分割效果不高,但其生成的掩膜、特征和稳定性分数可以用于构建和训练更好的医学图像分割模型,该论文展示了如何用SAM来增强常用的医学图像分割模型(例如U-Net),两个数据集上的实验表明了我们提出方法的有效性。
Apr, 2023
本研究使用Segment Anything Model在医疗图像上进行了定量和定性的零-shot分割实验,并发现虽然其在一般领域的图像中表现出色,但在医疗图像中存在一定的局限性,特别是在结构性目标上,而针对这些问题的数量有限的微调可以带来明显的改进。此研究表明了通用视觉基础模型在解决医疗成像中的特定任务方面的多功能性,并展现了这些模型通过微调最终可以应对获取大量不同的医学数据集和应对医学领域的复杂挑战的巨大潜力。
Apr, 2023
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
本文介绍了一种针对医学影像的零样本分割模型Segment Anything (SAM),通过细调轻量级任务特定的ViT预测头来提高其在医学影像数据集上的性能。
Jun, 2023
我们引入了一种新颖的微调框架,通过批处理基于真实掩蔽的边界框引入批量提示策略,以提高Segment Anything Model 在医学图像上的性能表现和广泛的分割任务中解决医学图像中常见的复杂性和模糊性。
Oct, 2023
最近许多生物医学影像分析领域的进展主要受到Segment Anything Model (SAM)的推动。这项先进的技术最初是为了通用计算机视觉而开发的,但在医学图像处理领域得到了迅速应用。我们的综述聚焦于2023年4月1日至9月30日这段重要的首次出版后六个月的时期,我们研究了SAM在解决长期临床挑战方面所需的改进和整合,特别关注了我们分析的33个开放数据集。尽管SAM在许多应用中达到了或超越了最先进的性能水平,但在一些方面仍存在不足,例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了SAM的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。
Jan, 2024
本研究解决了现有SAM在医学图像分割领域表现不佳的问题,提出了一种新型基础模型SAM-UNet,通过将U-Net集成到原始SAM中,充分利用卷积的上下文建模能力。实验结果表明,SAM-UNet在零样本分割实验中显著超越了之前的大型医学SAM模型,并有效减轻了未见模式下的性能下降,展示出其高效性和可扩展性。
Aug, 2024