Mar, 2024

WSI-SAM: 多分辨率分割模型 (SAM) 用于组织病理学全切片图像

PDF
TL;DR通过使用多分辨率补丁，在保留原始提示驱动设计、高效性和零时适应性的同时，使用精确的对象分割功能增强了 SAM，解决了现有的医学 SAM 在全尺度图像的多尺度本质上并不适用的限制。
segment anything modelwsi-samobject segmentationmulti-resolution patcheshistopathology images
发现论文，激发创造
  • 数字病理学的分段任意物模型 (SAM)：在全幅图像上评估零样本分割

    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

  • 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

  • 评估和改进交互式组织病理学图像分割的 “任意分割模型

    通过评估 Segment Anything Model (SAM) 在组织病理学数据的零样本和微调场景下的性能，并与其他最先进的交互模型进行比较，我们发现 SAM 在分割性能上相对较弱，而在推理时间和泛化能力方面相对较强。为了改进 SAM 的有限的局部细化能力，并提高其核心优势的同时保持其稳定性，我们提出了对 SAM 解码器的修改，实验证明该修改对于交互式组织学图像分割非常有效。

    Oct, 2023

  • 医学图像分割中的 Segment-Anything 模型（SAM）的准确性

    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

  • 高质量分割任何事物

    提出了一种名为 HQ-SAM 的模型，该模型在保持 Segment Anything Model（SAM）原始 zero-shot 设计，高效性和推广性的同时，赋予 SAM 精确切分任何对象的能力，通过深度融合输入的不同特征并引入可学习的高质量输出 Token，有效提高了遮罩细节。在多种下游任务的 9 个不同分割数据集中展示 HQ-SAM 的有效性，其中有 7 个采用了零 - shot 转移协议进行评估。

    Jun, 2023

  • 通过分层解码释放 SAM 在医疗适应上的潜力

    介绍了一种适用于医学图像的无提示适应性分割模型 H-SAM，并通过两阶段层次解码程序实现有效的细化调整，以提高其在医学图像分割中的性能。

    Mar, 2024

  • 医学图像分割模型？

    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

  • Hi-SAM：基于层次化文本分割的 Segment Anything 模型融合

    使用 Segment Anything Model（SAM）为基础，本论文介绍了 Hi-SAM，一个利用 SAM 进行分层文本分割的统一模型，能够在四个层次（笔画、词、文本行和段落）上实现文本分割并进行布局分析。

    Jan, 2024

  • 探索 SAM 模型在二维医学图像中的零样本能力：全面评估与实践指南

    本研究评估了 SAM 2D 在医学成像中的零样本能力，结果显示其性能与目前的最新技术相当甚至更好，并提出一项实用的指南以获得在所有评估上都具有鲁棒性的结果。

    Apr, 2023

  • 基于视觉基础模型的病理原始分割与零样本蒙版生成

    通过对 SAM 进行自适应预训练图像编码器以进行基于检测的区域提议，我们的方法在病理学领域的两个基本分割任务中达到了与最先进模型相媲美的 F1 得分（细胞核检测）和二进制 / 多类别 panoptic（bPQ/mPQ）和掩模质量（dice），同时实现了端到端效率。

    Apr, 2024