Oct, 2023

评估和改进交互式组织病理学图像分割的 “任意分割模型

PDF
TL;DR通过评估 Segment Anything Model (SAM) 在组织病理学数据的零样本和微调场景下的性能，并与其他最先进的交互模型进行比较，我们发现 SAM 在分割性能上相对较弱，而在推理时间和泛化能力方面相对较强。为了改进 SAM 的有限的局部细化能力，并提高其核心优势的同时保持其稳定性，我们提出了对 SAM 解码器的修改，实验证明该修改对于交互式组织学图像分割非常有效。
segment anything modelimage segmentationhistopathology datainteractive segmentationsam's decoder
发现论文，激发创造
  • 数字病理学的分段任意物模型 (SAM)：在全幅图像上评估零样本分割

    本研究评估了 SAM 模型在数字病理学中零次分割任务的表现，结果表明其可对大型连通对象进行显着分割，但对密集实例对象分割的性能不尽如人意。未来，来自下游病理分割任务的图像的少量微调可能有助于模型在密集对象分割方面取得更好的性能。

    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

  • 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

  • 关于组织学图像中核实例分割的区段任何模型的普适性

    通过在大规模多样化数据集上进行预训练，SAM 模型是计算机视觉领域针对目标分割任务的第一个可提示的基础模型。本文评估了 SAM 在零样本学习和微调下的核实例分割性能，将其与其他代表性方法在核实例分割中尤其是模型泛化能力的背景下进行比较，并提出使用核实例检测模型来为 SAM 提供核实例的边界框或中心点作为视觉提示，从组织学图像中生成核实例掩模。

    Jan, 2024

  • 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

  • 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

  • SAM.MD：基于 Segment Anything 模型的零样本医学图像分割能力

    本文将利用基于 Segment Anything Model (SAM) 的零样本能力进行医学图像分割任务的初步评估，结果表明，SAM 可以很好地适应 CT 数据，因此有望成为半自动分割工具的推手，并且相信这种基础模型能够成为医学领域模型其他适应性研究的良好出发点。

    Apr, 2023

  • 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

  • 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