Aug, 2023

SamDSK: 结合领域特定知识的分割通用模型用于医学图像分割的半监督学习

HTML
PDF
TL;DR本研究提出了一种新方法，将Segment Anything Model (SAM)与领域特定知识相结合，可用于构建医学图像分割模型，通过迭代的方式，将无标签图像与SAM和领域特定知识相结合，有效地进行半监督学习，以实现标签效率高的医学图像分割。实验证明该方法在乳腺癌、息肉和皮肤病变分割方面具有有效性，为医学图像分割的半监督学习开辟了新的方向。
发现论文，激发创造
  • 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

  • 使用SAM的输入增强：利用分割基础模型提升医学图像分割

    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

  • 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

  • 如何利用Segment Anything Model (SAM) 提升医学图像分割？

    该论文综述了Segment Anything Model（SAM）在医学图像分割中的应用，包括实证基准测试和方法论改进，并讨论了SAM在医学图像分割中的未来方向和文献综述。

    May, 2023

  • SemiSAM：探索SAM以提升极少标注的半监督医学图像分割

    通过将Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程，能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。

    Dec, 2023

  • 医学图像分割的分割全模型：现阶段的应用与未来发展方向

    通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。

    Jan, 2024

  • 医学影像分割：从传统模型到基础模型的超越像素级监督

    医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

    Apr, 2024

  • 跨提示一致性与分段任意模型用于半监督医学图像分割

    我们提出了一种跨提示一致性方法与Segment Anything Model（CPC-SAM）实现半监督医学图像分割，用于从稀缺标记和有价值的未标记数据中有效学习，在两个医学图像分割任务中验证了该方法的优越性。

    Jul, 2024

  • 基于奇异值分解的细微调节“Segment Anything”模型以适用于医学图像分割

    本研究解决了医学图像分割中全模型训练需要大量参数调优的问题。提出的S-SAM方法仅训练0.4%的模型参数，并利用标签名称提供精确掩膜，这使得模型更高效且减少了对专家提示的依赖。实验结果表明，S-SAM在五种不同的医学影像模态上表现优越，潜在地提高了医学图像分割的实用性。

    Aug, 2024

  • 利用SAM生成注释的医学图像分割

    本研究解决了医学图像分割领域中大型公开注释数据集稀缺的问题。通过利用Segment Anything Model（SAM）生成“伪标签”，并用其训练弱监督的UNet模型，我们发现边界框提示是一种简单有效的生成伪标签的方法。结果表明，该弱监督模型的表现与完全监督模型相当，具有显著的应用潜力。

    Sep, 2024