Dec, 2023

SemiSAM：探索 SAM 以提升极少标注的半监督医学图像分割

PDF
TL;DR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。
semi-supervised learningmedical image segmentationsegment anything modelpseudo-labelslabeled images
发现论文，激发创造
  • SimSAM: 通过模拟交互的零样本医学图像分割

    采用模拟用户交互生成候选掩码并使用新的聚合方法输出最兼容的掩码，Simulated Interaction for Segment Anything Model (SimSAM) 在医学图像中展示出较零射击方法有着更高的分割准确性。

    Jun, 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

  • 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

  • 基于大型视觉模型的医学图像标注框架 SAM^Med

    SAM 模型为基础，通过 SAM^{assist} 和 SAM^{auto} 两个子模块，提出了 SAM^{Med} 框架，无需大量标记即可实现精准的医学图像分割。

    Jul, 2023

  • SamDSK: 结合领域特定知识的分割通用模型用于医学图像分割的半监督学习

    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

  • 无监督分割任何东西

    使用无监督 SAM 模型进行图像分割，通过将图像分割为实例 / 语义级别的片段并形成层次结构的无监督多粒度蒙版，提供了与有监督方法相媲美甚至更好的分割结果，并为有监督模型提供了改进的自我监督标签。

    Jun, 2024

  • 使用 SAM 的输入增强：利用分割基础模型提升医学图像分割

    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

  • 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

  • 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

  • 基于分割基础模型的医疗图像分类提升

    本文介绍了一种基于 Segment Anything Model（SAM）的创新增强方法 SAMAug-C，用于生成原始图像的变体并增强分类数据集，实验结果验证了该方法的有效性。

    Jun, 2024