nnSAM: 插拔式分段模型提升 nnUNet 性能
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
本论文提出了一种结合连续表示和 SAM 的方法 I-MedSAM,用于医学图像分割,通过使用隐式神经表示训练一个隐式分割解码器,以获得更好的跨领域能力和准确的边界描绘。
Nov, 2023
通过实验探究 SAM 模型对 12 个不同器官、图像模式和健康情况的医学图像数据集的精确度及其在医学图像分割方向上的应用前景,发现 SAM 模型在没有重新训练医学图像时准确度没有 U-Net 和其他深度学习模型高。
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
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
在医学图像分割中,为培育标注注释集需要领域专业知识的劳动密集型和耗时的任务,而导致深度学习模型的狭隘性和有限的转化效力。本研究探索了 Segment Anything Model (SAM) 在众包环境下为 3D DL 分割模型培育稀疏标注以生成密集分割遮罩的潜力。结果表明,尽管 SAM 生成的标注与地面实况标注相比具有较高的平均 Dice 得分,但在 SAM 生成的标注上训练的 nnU-Net 模型表现明显差于在地面实况标注上训练的 nnU-Net 模型(p<0.001,全部)。
Mar, 2024
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
SAM 模型在图像分割方面表现良好,但在医学图像方面还需要进一步验证。我们介绍了 SAMM,它是 SAM 的扩展,用于在 3D Slicer 上处理医学图像,并能够近乎实时地产生图像掩膜。
Apr, 2023
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。
Aug, 2023