超声 SAM 适配器:将 SAM 适应超声图像中的乳腺病变分割
针对医学图像中低对比度、模糊边界、复杂形状和小尺寸物体等问题,提出了一种名为 SAMUS 的通用超声图像分割模型,通过引入平行 CNN 分支、位置适配器和特征适配器,使得 SAMUS 在医学图像分割任务中具有更好的泛化能力和更低的部署成本,并在广泛的对比实验中表现出卓越的性能。
Sep, 2023
本文提出了一种称为 Med SAM Adapter 的方法,它通过将医学特定领域知识与分析模型进行简单而有效的适应技术的集成,将 SAM 模型的强分割能力扩展到医学图像分割,在多种图像模态下优化 19 项医学图像分割任务,并超过各种已有的基于医学图像分割的最新技术,并与全面优化的 MedSAM 相比有不错的性能优势。
Apr, 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
基于医学图像的不确定性感知,使用 Uncertainty-aware Adapter 对 Segment Anything Model 进行有效 fine-tuning,实现了新的最先进的医学图像分割方法。
Mar, 2024
本研究旨在开发一种算法,可以识别和描绘乳腺超声和乳腺 X 线摄影图像中的肿瘤区域;该技术利用 U-Net 和 pretrained SAM 等两种先进的深度学习架构进行肿瘤分割,在不同类型的肿瘤中,U-Net 模型在精确定位和分割肿瘤区域方面表现优异。
Jun, 2023
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
最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的,但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日至 9 月 30 日这段重要的首次出版后六个月的时期,我们研究了 SAM 在解决长期临床挑战方面所需的改进和整合,特别关注了我们分析的 33 个开放数据集。尽管 SAM 在许多应用中达到了或超越了最先进的性能水平,但在一些方面仍存在不足,例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了 SAM 的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。
Jan, 2024
基于医学影像模态的肿瘤病变分割在癌症诊断和治疗规划中起着关键作用。本文提出了一种创新的基于掩模增强的肿瘤病变分割模型 M-SAM,其中引入了新颖的掩模增强适配器(MEA),以及迭代精化方案,旨在提高分割的准确性和在不同数据集上的泛化能力。
Mar, 2024
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