Sep, 2023

探索增强放射学和病理学医学分割的 SAM 消融技术

PDF
TL;DR医学影像在诊断和治疗规划中发挥着关键作用，尤其是放射学和病理学对精确的图像分割依赖很大。Segment Anything Model（SAM）作为一种有前景的框架，用于解决不同领域的分割挑战。本文深入探讨了 SAM，剖析了其基本组成部分，并揭示了它们之间复杂的相互作用。我们还探讨了 SAM 的微调，评估了其对分割结果准确性和可靠性的深远影响，重点关注放射学（具体地说是脑肿瘤分割）和病理学（具体地说是乳腺癌分割）的应用。通过一系列精心设计的实验，我们分析了 SAM 在医学影像领域的潜在应用，旨在弥合先进分割技术与保健需求之间的差距，并揭示 SAM 的变革能力。
medical imagingsegment anything modelsegmentationradiologypathology
发现论文，激发创造
  • 基于基础模型的生物医学图像分割：综述

    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

  • 当 SAM 遇上医学图像：对多时相肝肿瘤分割中的 Segment Anything Model（SAM）进行研究

    SAM 在医学图像分析中应用的能力较弱，但在交互式医学图像分割领域是一个有力的注释工具。

    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

  • 探索 SAM 模型在二维医学图像中的零样本能力：全面评估与实践指南

    本研究评估了 SAM 2D 在医学成像中的零样本能力，结果显示其性能与目前的最新技术相当甚至更好，并提出一项实用的指南以获得在所有评估上都具有鲁棒性的结果。

    Apr, 2023

  • SAM-Path：数字病理学中的语义分割段模型

    通过引入可训练的类别提示和病理编码器，本研究将 Segment Anything Model（SAM）适应于数字病理学中的语义分割任务，进一步通过增加病理基础模型提高了 SAM-Path 在数字病理学中的语义分割能力，实验证明在两个公共病理学数据集上，可训练类别提示的微调方案在 Dice 得分上超过手动提示和后处理的 SAM27.52％，在 IOU 得分上超过 71.63％，而增加病理基础模型相对提升 Dice 得分 5.07％至 5.12％，IOU 得分 4.50％至 8.48％。

    Jul, 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

  • 医学图像分割中的 Segment-Anything 模型（SAM）的准确性

    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

  • 利用 “分段任意模型” 评估 GRAD-CAM 在医学成像中的定位

    本文探讨如何利用 Segment Anything Model (SAM) 技术进一步提高医学图像的显著性图测试准确性，同时可以泛化到不需要人类注释的测试方法，并研究 SAM 在医学领域中的应用和挑战，这包括图像预处理，自然语言建议以及 SAM 在多个医学成像数据集上的准确性。

    Jun, 2023

  • 放射治疗中的 Segment Anything Model (SAM)

    本研究中，我们评估了 SAM 模型在临床放射治疗中的表现。SAM 在前列腺和肺区域的自动分割表现较好，而在胃肠和头颈区域的表现相对较差。然而，这些结果表明 SAM 对于使用单个训练模型完成四个区域的器官边界识别具有鲁棒的泛化能力。

    Jun, 2023