ClickSAM:使用点击提示对超声图像分割进行精调的分割任意模型
提出了一种改进的测试阶段提示增强技术,可提高在医学图像分割中使用稀疏手动提示的 Segment Anything Model 的性能和鲁棒性。此外,提出了一种只使用单个 2D 切片的边界框注释即可实现 3D 像素级分割的 Single-Slice-to-Volume 方法。
Aug, 2023
本研究重点探讨利用交互式分割算法 Segment Anything Model(SAM)进行乳腺超声影像乳腺肿瘤分割的有效性。 该研究表明 ViT_l 模型在性能指标上具有卓越表现,研究还评估了该模型在分割恶性和良性肿瘤方面的差异性能,发现其在两个类别中均表现出出色的能力。 此外,本研究还分析了体积、对比度、长宽比和复杂性等各种肿瘤特征对分割性能的影响。 研究结果为 SAM 作为乳腺超声影像乳腺肿瘤分割算法提供了有价值的见解。
May, 2023
该论文介绍了 SonoSAM,一种用于超声图像的对象分割的可提示基础模型。SonoSAM 在经过微调的约 200,000 个超声图像 - 掩模对组成的丰富多样的对象集上表现出最先进的性能,在 8 个未见过的超声数据集上都显著优于竞争方法,并获得了超过 90%的平均 Dice 相似性分数,仅需 2-6 次点击即可进行标注,是一种用于注释超声图像的有价值的工具。作者还将 SonoSAM 扩展到了三维 (2D+t) 应用,并展示了出色的性能,使其成为从超声电影循环中生成密集注释的有价值工具。此外,为了提高 SonoSAM 的实用性,作者提出了一种先进行微调,然后通过知识蒸馏到较小的模型的两步过程,而不会影响性能。论文详细地定性和定量地比较了 SonoSAM 与最先进方法,展示了 SonoSAM 作为一种可靠的、通用的超声基础模型的功效。
Oct, 2023
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
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
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
Segment Anything Model (SAM) 通过使用不同的输入提示(如文本、边界框、点或掩膜)生成掩膜,克服了特定数据集稀缺性的约束,评估了 SAM 在 X 射线 / 红外模态中分割感兴趣对象的能力,结果表明 SAM 在给定盒子提示时可以分割 X 射线模态中的对象,但对于点提示而言,表现不稳定,特别是在分割细长物体和有机材料方面,SAM 的性能较差,这表明在考虑在 X 射线 / 红外图像上使用 SAM 时需要特别考虑跨模态泛化的问题。
Apr, 2024
我们旨在开发一个适用于摄影应用的 SAM 模型的版本。SqueezeSAM 模型体系结构在性能和模型尺寸上相比原模型具有更高的效果,我们使用显著性物体检测生成初始分割掩码,用户可以进行交互编辑,并通过引入新的数据增强方案来实现期望点击相关物体的整体分割。
Dec, 2023
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