Dec, 2023

基于模型引导协同学习网络的基于示意标注的息肉分割

PDF
TL;DR通过在 Collaborative Learning Network 中使用 Segment Anything Model，以及基于已生成的 scribble 注释的改进模块、特征聚合模块和图像级过滤机制等策略，本文提出了适用于弱监督息肉分割的 novel SAM-guided Collaborative Learning Network (SAM-CLNet) 方法，实验结果表明其优于现有的弱监督分割方法。
polyp segmentationdeep learningcollaborative learning networksegment anything modelweakly-supervised segmentation
发现论文，激发创造
  • Polyp-SAM: 基于 Transfer Learning 的息肉分割模型

    本研究提出了基于 Segment Anything Model (SAM) 的调优模型 Poly-SAM 用于结肠息肉图像的分割，相比已有方法，该模型在结肠息肉分割方面具有优越的性能，集成了两种迁移学习策略的 SAM 模型也能很好地适用于医学图像分割任务，模型代码和权重已开放。

    Apr, 2023

  • ScribblePolyp: 基于涂鸦指导的息肉分割通过双重一致性对齐

    ScribblePolyp 是一种高效的模型，用于胃肠疾病的息肉分割，并通过一种新的 scribble-supervised 方法，使用少量的注释（涂鸦标签）来减少标注成本，并提出一种两分支一致性对齐方法来为未标注的像素提供监督。

    Nov, 2023

  • MedCLIP-SAM：将文本和图像融合以实现通用医学图像分割

    提出了一种新颖的框架 ——MedCLIP-SAM，结合了 CLIP 和 SAM 模型，使用文本提示在零样本和弱监督设置中生成临床扫描的分割，通过广泛测试三个不同的分割任务和医学图像模态，证明了该框架具有出色的准确性。

    Mar, 2024

  • 任何时间，任何地点，任何人：研究团队分割模型用于众包医学图像注释的可行性

    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

  • SAM 能否对息肉进行分段？

    本文使用 Meta AI Research 最近发布的 SAM 模型在医学成像领域的一个关键任务 —— 息肉分割中进行了性能评估，旨在为该领域的发展提供启示，并推动未来更多有趣的工作。

    Apr, 2023

  • SAM-EG: 高效息肉分割的带边缘引导框架的分割任意物体模型

    在医学成像中，息肉分割是一个关键问题，引发了许多旨在提高分割掩模质量的方法。尽管当前最先进的技术取得了令人印象深刻的结果，但这些模型的规模和计算成本对实际的行业应用构成了挑战。最近，提出了 Segment Anything Model (SAM) 作为一种稳健的基础模型，显示出对于医学图像分割的适应性的前景。受到这一概念的启发，我们提出了 SAM-EG，这是一个指导小型息肉分割模型来解决计算成本挑战的框架。此外，在这项研究中，我们引入了 Edge Guiding 模块，将边缘信息集成到图像特征中，以帮助分割模型解决当前分割模型在此任务中的边界问题。通过大量实验，我们的小型模型展示了它们的功效，通过达到与最先进的方法相竞争的结果，为息肉分割和医学成像领域的紧凑模型开发提供了一种有希望的方法。

    Jun, 2024

  • 医学影像分割：从传统模型到基础模型的超越像素级监督

    医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

    Apr, 2024

  • ASPS：增强的分割任何模型用于息肉分割

    通过引入增强型的 Segment Anything Model (ASPS) 方法，借助交叉分支特征增强和不确定性引导的预测规范化，提高了颜色肠癌中基于颗粒的分割的性能。

    Jun, 2024

  • 使用合成数据的自监督和半监督息肉分割

    通过使用计算机视觉技术和合成数据，提出了一种用于结肠息肉分割的模型，该模型在自监督和半监督设置中达到了最先进的结果。

    Jul, 2023

  • SemiSAM：探索 SAM 以提升极少标注的半监督医学图像分割

    通过将 Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程，能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。

    Dec, 2023