Aug, 2023

通过微调 SAM 在少量示例上进行医学影像分割的低成本午餐

PDF
TL;DR本文介绍了一种利用有限数量的样本来对 Segment Anything Model (SAM) 进行微调的高效实用方法，以适用于医学领域，经实证研究表明 SAM 在医学领域即使只有少量标记数据也能有效对齐，通过在脑肿瘤分割（BraTS）和多器官 CT 分割（Synapse）实验中的综合结果，验证了这种方法的可行性和有效性，为 SAM 在医学领域的实际应用铺平了道路。
segment anything modelsamfine-tuningmedical domainlimited number of exemplars
发现论文，激发创造
  • AdaptiveSAM：用于手术场景分割的 SAM 调优方法

    手术场景分析中使用人工智能的分割是一个基本问题。然而，这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此，我们提出了一种名为 AdaptiveSAM 的改进模型，可以快速有效地适应新的数据集，并可以使用文本提示进行分割，其在各种医学图像数据集上优于当前最先进的方法。

    Aug, 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

  • 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

  • 自采样元 SAM：用元学习增强少样本医学图像分割

    通过自抽样元 SAM（SSM-SAM）框架，本研究提出了一种快速在线适应的医学图像分割方法，通过设计三个关键模块，包括在线快速梯度下降优化器、自抽样模块和针对医学少样本学习的强大的基于注意力的解码器，能够在医学图像分割的少样本任务中显著提高分割效果。

    Aug, 2023

  • 如何高效地将大型分割模型（SAM）适应于医学图像

    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

  • 基于基础模型构建最佳的医学图像分割算法：使用 Segment Anything Model 的综合实证研究

    对于自动分割医学图像的研究，本文总结了目前的微调策略，并在包括所有常见放射学模态的 17 个数据集上进行评估，研究发现微调 Segment Anything Model (SAM) 相较于以前的分割方法具有稍微更好的性能，使用参数效率高的学习在编码器和解码器中进行微调的策略优于其他策略，网络架构对最终性能影响不大，通过自监督学习进一步训练 SAM 可以提高最终模型性能。

    Apr, 2024

  • SAM 整合互补网络的梯度微调方法

    本文提出了一种在医学图像分割中，利用卷积神经网络与已有的广义模型进行 fine-tuning 的方法，以优化模型的利用效果，并在开放数据集上取得了有竞争力的成果。

    Jun, 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

  • 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