Jan, 2024

TriSAM：用于 VEM 图像零样本皮层血管分割的三平面 SAM

PDF
TL;DR通过引入最大规模的公共基准 BvEM，本研究致力于解决神经影像学领域的重大课题，在体积电子显微镜（VEM）图像中，专门设计用于皮质血管分割。本研究开发了一种名为 TriSAM 的零射的皮质血管分割方法，并基于三种哺乳动物（成年小鼠、猕猴和人类）的 VEM 图像体积构建了 BvEM 基准。实验结果表明，TriSAM 在三种物种的 BvEM 基准上取得了优越的性能。
neuroimagingcortical blood vessel segmentationvem imagesbvem benchmarktrisam
发现论文，激发创造
  • SAM-VMNet：冠状动脉造影血管分割的深度神经网络

    我们提出了一种新颖的体系结构 SAM-VMNet，它结合了 MedSAM 的强大特征提取能力和 VM-UNet 的线性复杂性视觉状态空间模型的优势，具有更快的推理速度和更强的数据处理能力，实现了 CTA 图像的更高分割准确性和稳定性。

    Jun, 2024

  • SAM-I-Am：用于零样本原子尺度电子显微图分割的语义强化

    给定零样本分割技术基础模型，我们提出了 “语义增强” 的概念，通过指导分割过程并调整结果以适应特定领域的期望，实现了最佳分割技术的快速适应。我们将语义增强应用于 Segment Anything Model（SAM）以获取透射电子显微镜的微观结构分割，通过提取各种中间掩模的几何和纹理特征进行掩模去除和掩模合并操作，结果在三个难度类别的图像上相对于原始的 SAM（ViT-L）分别获得了平均 IoU 增加 21.35%、12.6%、5.27% 和平均假阳性掩模降低 9.91%、18.42%、4.06%。

    Apr, 2024

  • SAM-Med3D

    该研究提出了 SAM-Med3D，对 3D 医学图像进行了全面研究和修正，通过训练在大规模数据集上的全面处理的 3D 体系结构，提供了全面的性能评估。与 SAM 相比，SAM-Med3D 在三维体积医学图像的分割能力和效率上都具有显著的增强。

    Oct, 2023

  • SAM vs BET: 基于深度学习的磁共振图像脑提取和分割的比较研究

    本文对比研究了 Segment Anything Model 与当前广泛应用的 BET 技术在用于脑扫描的 MRI 数据中的效果差异并发现，在信号不均匀、像素分辨率不同、或者存在于脑和脑膜外侧部分的损伤等情况下，SAM 表现更佳，有望成为更准确、稳健和多用途的脑分割工具。

    Apr, 2023

  • Dr-SAM: 血管图像的端到端框架，用于血管分割，直径估计和异常检测

    通过提出 Dr-SAM，一个综合性的多阶段框架，用于分割血管、估算血管直径和异常分析的对周围血管的血管造影图像的综合分析，我们希望能够增强诊断精确性，改善血管问题患者的健康结果，并引入一个新的用于周围血管血管造影图像的基准数据集，以推动未来在这个方向的研究。

    Apr, 2024

  • 脑部 3D OCTA 图像中基于模拟的血管分割

    使用合成数据来监督分割算法，提出了一种在小鼠脑部 3D OCTA 图像中实现无标记血管分割的方法。

    Mar, 2024

  • 深度学习在相位对比计算机断层成像中的血管分割及应用

    自动血管分割在生物医学成像中至关重要，但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因，精确分割仍然具有困难。本研究通过深入文献研究，探讨机器学习技术在不同器官中的应用，旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集，并采用 nnU Net 模型进行实验评估。结果显示，尽管分割性能表现较好（clDice 值在 0.82 到 0.88 之间），但存在一些错误，如由于缺乏静水压力（HiP CT 是一种离体技术）而导致的大血管分割效果较差，以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出，我们旨在为后续基于不同成像模态的模型评估建立一个基准，特别是使用 HiP CT 成像数据库。

    Nov, 2023

  • FastSAM3D：一种高效的用于 3D 体积医学图像的分段模型

    快速交互式的基于 SAM 的三维医学图像分割方法 FastSAM3D 通过层次递进提取复杂 12 层 ViT-B 和轻量级 6 层 ViT-Tiny 变种编码器之间的知识传递，并使用稀疏闪光注意力代替传统的注意力操作符，大幅减少内存需求和提高并行化，从而在相同体积上与 2D SAMs 相比，实现了 527.38 倍的加速，在与 3D SAMs 相比，实现了 8.75 倍的加速，并且性能下降不明显，为常用 GPU 硬件实现低成本、真正交互式的基于 SAM 的三维医学图像分割开辟了道路。

    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

  • SAMv2: 统一的外观、语义和跨模态解剖嵌入学习框架

    基于自我监督解剖嵌入（SAM）的 SAMv2 是一个统一的框架，通过学习外观、语义和跨模态的解剖嵌入，克服了医学图像分析中的挑战，提供了一种在基于标志点的医学图像分析任务中表现优异的方法。

    Nov, 2023