Jun, 2023

SAM 交互式医学图像分割的拓展时间提示优化

PDF
TL;DR本文研究了使用交互式医学图像分割范例中的 SAM 零 - shot 能力增强医学图像分割的潜力，并提出了一种叫做 TEPO 的自适应提示形式优化框架来解决人类专家支持下的 SAM 脆弱性问题，并通过强化学习来进一步提高 SAM 在 MIS 上的零 - shot 能力。在标准基准 BraTS2020 上的数值实验表明，学习到的 TEPO 代理可以进一步增强 SAM 在 MIS 上的零 - shot 能力。
segmentation anything modelmedical image segmentationzero-shot capabilitiesinteractive medical image segmentationreinforcement learning
发现论文，激发创造
  • ProMISe：使用 SAM 进行可提示的医学图像分割

    提出了 Auto-Prompting Module（APM）和 Incremental Pattern Shifting（IPS）两种方法，其中 APM 通过提供欧几里得自适应提示显著提高了 Segment Anything Model (SAM) 在医学图像分割中的性能，而 IPS 则使 SAM 在特定医学领域中达到了与 fine-tuning 相媲美的最先进或有竞争力的性能，将这两种方法结合起来构建了一个冻结 SAM 所有参数的端到端、非 fine-tuning 的医学图像分割框架 ProMISe。

    Mar, 2024

  • 医学图像上的 SAM：三种提示模式的全面研究

    本文针对 Segment Anything Model（SAM）在医学图像分割领域的 zero-shot 泛化能力进行了研究，并发现模型对于不同数据集和提示的表现会有差异，通过提供适当的提示，如边界框，SAM 的性能显著提高。

    Apr, 2023

  • 面向任务驱动的基于模型的提示演进

    利用下游分割任务优化人工提供的提示，提出了针对 Segment Anything Model（SAM）等基础模型的即插即用的 Prompt 优化技术（SAMPOT），在胸部 X 射线图像的肺分割中取得了显著的改进，并希望此工作能在自动视觉提示调整的新兴领域引起进一步研究。

    Oct, 2023

  • 增强医学图像分割的基础模型多提示微调技术

    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

  • 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

  • 自训练的大型视觉模型用于少样本医学图像分割

    通过对 SAM 的嵌入空间进行自我提示，我们提出了一种在医学视觉应用中自我提示的新视角，通过一个简单而有效的线性像素分类器，保留了大模型的编码能力、其解码器的上下文信息，并利用其互动性，我们在多个数据集上取得了竞争性的结果（与使用少量图像微调掩模解码器相比，改进超过 15%）

    Aug, 2023

  • 学习对呼叫分段任何模型

    通过空间 - 语义提示学习有效的语义和空间提示，优化了 SAM 模型在图像分割性能上的效果。

    Jan, 2024

  • SAM.MD：基于 Segment Anything 模型的零样本医学图像分割能力

    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

  • SimSAM: 通过模拟交互的零样本医学图像分割

    采用模拟用户交互生成候选掩码并使用新的聚合方法输出最兼容的掩码，Simulated Interaction for Segment Anything Model (SimSAM) 在医学图像中展示出较零射击方法有着更高的分割准确性。

    Jun, 2024

  • EviPrompt：医学图像中基于证据的无需训练的提示生成方法

    基于医学图像的相似性，引入了一种名为 EviPrompt 的新型无需训练的证据提示生成方法，用于克服在医学图像分割中，专业知识干预和自然图像与医学图像之间领域差异方面所存在的问题。该方法仅需要一个单一参考图像 - 注释对，使其成为减少了大量标注和计算资源需求的无需训练解决方案，同时通过不依赖于临床专家互动的基于不确定性估计的证据方法和人类先验信息，有效地减小了自然图像与医学图像之间的领域差距，提高了 SAM 在医学场景中的适用性和使用价值。经过广泛的任务和模态评估，EviPrompt 表现出了在医学图像分割方面高效而健壮的特点。

    Nov, 2023