Sep, 2023

MA-SAM: 3D医学图像分割的模态不可知SAM适配

HTML
PDF
TL;DR引入了名为 MA-SAM 的适用于各种体积和视频医学数据的模态无关 SAM 适应框架，通过在图像编码器的转换器块中注入一系列的 3D 适配器，使预训练的 2D 主干从输入数据中提取第三维信息。在四个医学图像分割任务上，使用了 CT、MRI 和外科手术视频数据的 10 个公共数据集进行全面评估，结果显示，我们的方法在不使用任何提示的情况下，始终表现优于各种最先进的三维方法，在 CT 多器官分割、MRI 前列腺分割和外科手术场景分割的 Dice 指标上分别超过 nnU-Net 0.9%、2.6% 和 9.9%。在使用提示时，我们的模型也表现出强大的泛化能力，并在具有挑战性的肿瘤分割任务中表现出色。
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

  • 医疗SAM适配器：为医学图像分割而适配的段落任意模型

    本文提出了一种称为 Med SAM Adapter 的方法，它通过将医学特定领域知识与分析模型进行简单而有效的适应技术的集成，将SAM模型的强分割能力扩展到医学图像分割，在多种图像模态下优化19项医学图像分割任务，并超过各种已有的基于医学图像分割的最新技术，并与全面优化的MedSAM相比有不错的性能优势。

    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

  • 3DSAM-adapter：将SAM从2D完整地适应到3D，用于医学图像分割

    本文介绍了一种适用于医学图像分割的、从2D到3D的SAM模型的新颖改进方法，并在4个医学数据集上进行了实验，结果表明该方法可以仅通过轻量级的空间适配器有效地捕捉体积医学图像中存在的空间模式。

    Jun, 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

    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。

    Aug, 2023

  • 自动提示移动友好的3D医学图像分割

    介绍了一种用于3D多器官CT基于分割的新方法，即AutoSAM Adapter，通过自动提示学习范式来促进Segment Anything Model（SAM）模型能力向3D医学图像分割的转变，从而消除了手动生成提示的需求，并成功将获得的知识传递给其他专门为3D医学图像分析量身定制的轻量级模型，实现了在医学图像分割任务上的最先进性能。

    Aug, 2023

  • SAM3D：三维医学图像中的分割模型

    借鉴了Segment Anything Model (SAM)的方法，我们提出了SAM3D，该方法针对3D体积医学图像，利用SAM编码器的预训练特征来捕捉输入图像的意义表示，并通过整体处理3D图像而避免了大量参数的训练，实验结果表明，在3D医学分割任务中，我们的网络相对于其他最先进的方法具有竞争力且参数效率明显。

    Sep, 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

  • DB-SAM：深入研究高质量通用医学图像分割

    本研究针对医学图像分割中的性能差距问题，提出了双分支适应性SAM框架DB-SAM，以有效桥接自然数据与医学数据之间的领域差距。我们的主要发现显示，DB-SAM在21个3D医学图像分割任务中相比于现有方法取得了8.8%的显著提升。

    Oct, 2024