Mar, 2024

串联、微调、再训练：一种用于半监督三维医学图像分割的 SAM 支持框架

PDF
TL;DR通过使用 Segment Anything Model（SAM）进行重新调整，我们提出了一个三阶段的框架（CFR）用于建立半监督的医学图像分割模型，并且在改善标注成本和保持性能方面取得了显著的改进。
segment anything modelsamsemi-supervised medical image segmentationconcatenate, fine-tuning, and re-trainingcfr framework
发现论文，激发创造
  • SAM 整合互补网络的梯度微调方法

    本文提出了一种在医学图像分割中，利用卷积神经网络与已有的广义模型进行 fine-tuning 的方法，以优化模型的利用效果，并在开放数据集上取得了有竞争力的成果。

    Jun, 2023

  • 增强医学图像分割的基础模型多提示微调技术

    我们引入了一种新颖的微调框架，通过批处理基于真实掩蔽的边界框引入批量提示策略，以提高 Segment Anything Model 在医学图像上的性能表现和广泛的分割任务中解决医学图像中常见的复杂性和模糊性。

    Oct, 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

  • MA-SAM: 3D 医学图像分割的模态不可知 SAM 适配

    引入了名为 MA-SAM 的适用于各种体积和视频医学数据的模态无关 SAM 适应框架，通过在图像编码器的转换器块中注入一系列的 3D 适配器，使预训练的 2D 主干从输入数据中提取第三维信息。在四个医学图像分割任务上，使用了 CT、MRI 和外科手术视频数据的 10 个公共数据集进行全面评估，结果显示，我们的方法在不使用任何提示的情况下，始终表现优于各种最先进的三维方法，在 CT 多器官分割、MRI 前列腺分割和外科手术场景分割的 Dice 指标上分别超过 nnU-Net 0.9%、2.6% 和 9.9%。在使用提示时，我们的模型也表现出强大的泛化能力，并在具有挑战性的肿瘤分割任务中表现出色。

    Sep, 2023

  • 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

  • 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

  • 如何高效地将大型分割模型（SAM）适应于医学图像

    本文介绍了一种针对医学影像的零样本分割模型 Segment Anything (SAM)，通过细调轻量级任务特定的 ViT 预测头来提高其在医学影像数据集上的性能。

    Jun, 2023

  • AdaptiveSAM：用于手术场景分割的 SAM 调优方法

    手术场景分析中使用人工智能的分割是一个基本问题。然而，这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此，我们提出了一种名为 AdaptiveSAM 的改进模型，可以快速有效地适应新的数据集，并可以使用文本提示进行分割，其在各种医学图像数据集上优于当前最先进的方法。

    Aug, 2023

  • 基于 Sam 引导的增强细粒度混合语义学习的医学图像字幕生成

    本文介绍了一种由 SAM 模型引导的新型医学图像字幕方法，以实现对医学图像的总体信息和细节进行增强编码，通过混合语义学习的独特预训练策略，同时捕捉医学图像的整体信息和细微细节，并证明了该方法在生成医学图像描述方面在各种评估指标上优于预训练的 BLIP2 模型。

    Nov, 2023

  • 自采样元 SAM：用元学习增强少样本医学图像分割

    通过自抽样元 SAM（SSM-SAM）框架，本研究提出了一种快速在线适应的医学图像分割方法，通过设计三个关键模块，包括在线快速梯度下降优化器、自抽样模块和针对医学少样本学习的强大的基于注意力的解码器，能够在医学图像分割的少样本任务中显著提高分割效果。

    Aug, 2023