Apr, 2024

用于超声应用的零样本基本模型的语义分割精化器

PDF
TL;DR通过使用粗糙语义分割掩模作为输入以及零 - shot 可提示的基础模型作为优化目标，我们提出了一种不需要提示的分割方法来解决低数据环境下分割模型的性能下降问题，并在肌肉骨骼超声图像数据集上进行了实验证明我们方法的优势，在不同程度的低数据环境下，随着训练集大小的减小，取得了更大的性能提升。
deep learningmedical image segmentationlow-data regimeprompt-less segmentationultrasound images
发现论文，激发创造
  • SAM.MD：基于 Segment Anything 模型的零样本医学图像分割能力

    本文将利用基于 Segment Anything Model (SAM) 的零样本能力进行医学图像分割任务的初步评估，结果表明，SAM 可以很好地适应 CT 数据，因此有望成为半自动分割工具的推手，并且相信这种基础模型能够成为医学领域模型其他适应性研究的良好出发点。

    Apr, 2023

  • 医学影像分割：从传统模型到基础模型的超越像素级监督

    医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

    Apr, 2024

  • 前列腺成像分割基础模型的经验分析

    对于医学图像分割的基础模型 UniverSeg 进行了实证评估研究，与传统的任务特定分割模型进行了比较，结果和讨论凸显了发展和采用基础模型在医学图像分割领域中的重要因素。

    Jul, 2023

  • 基于激光增材制造的可提示缺陷分割的无监督方法

    利用基于 Vision Transformer (ViT) 的基础模型和无监督聚类生成方案，构建了一个图像分割框架，将其应用于实时孔隙分割，并在没有监督微调的情况下获得较高的骰子相似系数 (DSC)，从而实现了轻量级模型推理和无监督提示生成，旨在革新当前基于激光的增材制造流程，促进无缺陷生产和运营效率，并实现工业 4.0 的转型。

    Dec, 2023

  • 基于基础模型的简化光声图像处理：一种无需训练的解决方案

    该研究论文提出了一种基于基础模型和零训练的方法来解决光声图像分割的任务，通过设置简单提示和将模型输出与图像对象的先验知识相结合，实现了多种任务，包括三维光声图像去除皮肤信号、双声速重建以及手指血管分割。研究结果表明，深度学习可直接应用于光声成像，无需网络设计和训练，从而实现对光声图像的高效准确分割。该论文提供了代码和样本数据集，为技术的掌握提供了全面的指导。

    Apr, 2024

  • 基于视觉基础模型的无标注语义分割

    我们构建了一个轻量级模块，基于自监督预训练的视觉编码器与预训练文本编码器对齐图像特征，利用现有的基础模型生成语义分割数据集的免费注释，并使用这个模块为任何预训练视觉编码器带来基于语言的语义，只需少量无注释训练数据，表现出令人印象深刻的泛化能力。

    Mar, 2024

  • 迭代优化和统计结果验证的高效人机互动式深度学习模型训练

    本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

    Apr, 2023

  • Peekaboo: 文本到图像扩散模型是零样本分割器

    本文研究探索在 off-the-shelf 扩散模型的基础上，如何在无需 re-training 的情况下进行语义定位。我们提出了 Peekaboo 方法，使用无监督学习技术在 Pascal VOC 数据集和 RefCOCO 数据集上进行了验证。该方法是第一个能够在开放词汇的情况下实现零检测，并结合了生成模型和语言模型。

    Nov, 2022

  • 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

  • 医学图像上的 SAM：三种提示模式的全面研究

    本文针对 Segment Anything Model（SAM）在医学图像分割领域的 zero-shot 泛化能力进行了研究，并发现模型对于不同数据集和提示的表现会有差异，通过提供适当的提示，如边界框，SAM 的性能显著提高。

    Apr, 2023