GMISeg: 无需重新训练的通用医学图像分割

Nov, 2023

GMISeg: 无需重新训练的通用医学图像分割

GMISeg: General Medical Image Segmentation without Re-Training

Jing Xu

TL;DR提出了一种无需额外训练即可解决未知医学图像分割任务的通用方法，该方法通过使用基于所提出方法的 SAM（Segment Anything Model）图像编码器的一种新型低秩微调策略，与提示编码器和掩膜解码器一起微调标记数据集，实现新任务的泛化。该方法在不同部位的医学图像数据集上进行训练和泛化，并在其他地点数据集上使用心脏图像进行了验证，证明其在未知任务上的优越性能，并对所提方法的重要性能进行了全面分析和总结。

Abstract

Although deep learning models have become the main method for medical image segmentation, they often cannot be extended to unknown segmentation tasks involving new anatomical structures, image shapes, or labels. For new segmentation tasks, researchers often have to retrain or fine-tune

deep learning medical image segmentation unknown tasks low-rank fine-tuning generalization

发现论文，激发创造

生成医学分割

介绍了一种基于生成模型的图像分割方法 (GMS)，使用预训练的 Variational Autoencoder (VAE) 生成精确的分割掩膜，提供了医学图像分割的新标准，具有良好的领域泛化能力。

Mar, 2024

UniverSeg：通用医学图像分割

UniverSeg 利用新的交叉块机制解决了无需额外训练的医学图像分割任务，其中使用的 MegaMedical 数据集包含 53 个开放数据集，22,000 个扫描，UniverSeg 在各种解剖学和成像模式下的训练使其能够在新任务中表现出色。

Apr, 2023

I-MedSAM：分割一切隐式医学图像

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

基于 Sam 引导的增强细粒度混合语义学习的医学图像字幕生成

本文介绍了一种由 SAM 模型引导的新型医学图像字幕方法，以实现对医学图像的总体信息和细节进行增强编码，通过混合语义学习的独特预训练策略，同时捕捉医学图像的整体信息和细微细节，并证明了该方法在生成医学图像描述方面在各种评估指标上优于预训练的 BLIP2 模型。

Nov, 2023

ProMISe：使用 SAM 进行可提示的医学图像分割

提出了 Auto-Prompting Module（APM）和 Incremental Pattern Shifting（IPS）两种方法，其中 APM 通过提供欧几里得自适应提示显著提高了 Segment Anything Model (SAM) 在医学图像分割中的性能，而 IPS 则使 SAM 在特定医学领域中达到了与 fine-tuning 相媲美的最先进或有竞争力的性能，将这两种方法结合起来构建了一个冻结 SAM 所有参数的端到端、非 fine-tuning 的医学图像分割框架 ProMISe。

Mar, 2024

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

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

医学图像的生成对抗网络 (MI-GAN)

本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

Oct, 2018

自训练的大型视觉模型用于少样本医学图像分割

通过对 SAM 的嵌入空间进行自我提示，我们提出了一种在医学视觉应用中自我提示的新视角，通过一个简单而有效的线性像素分类器，保留了大模型的编码能力、其解码器的上下文信息，并利用其互动性，我们在多个数据集上取得了竞争性的结果（与使用少量图像微调掩模解码器相比，改进超过 15%）

Aug, 2023