Jun, 2024

SAM-EG: 高效息肉分割的带边缘引导框架的分割任意物体模型

PDF
TL;DR在医学成像中，息肉分割是一个关键问题，引发了许多旨在提高分割掩模质量的方法。尽管当前最先进的技术取得了令人印象深刻的结果，但这些模型的规模和计算成本对实际的行业应用构成了挑战。最近，提出了 Segment Anything Model (SAM) 作为一种稳健的基础模型，显示出对于医学图像分割的适应性的前景。受到这一概念的启发，我们提出了 SAM-EG，这是一个指导小型息肉分割模型来解决计算成本挑战的框架。此外，在这项研究中，我们引入了 Edge Guiding 模块，将边缘信息集成到图像特征中，以帮助分割模型解决当前分割模型在此任务中的边界问题。通过大量实验，我们的小型模型展示了它们的功效，通过达到与最先进的方法相竞争的结果，为息肉分割和医学成像领域的紧凑模型开发提供了一种有希望的方法。
polyp segmentationsegmentation modelscomputational costpractical industry applicationsmedical imaging
发现论文，激发创造
  • 如何利用 Segment Anything Model (SAM) 提升医学图像分割？

    该论文综述了 Segment Anything Model（SAM）在医学图像分割中的应用，包括实证基准测试和方法论改进，并讨论了 SAM 在医学图像分割中的未来方向和文献综述。

    May, 2023

  • 医学图像分割的分割全模型：现阶段的应用与未来发展方向

    通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对 SAM 在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来 SAM 在医学图像分割中的研究方向。尽管直接应用 SAM 到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。

    Jan, 2024

  • SAM 能否对息肉进行分段？

    本文使用 Meta AI Research 最近发布的 SAM 模型在医学成像领域的一个关键任务 —— 息肉分割中进行了性能评估，旨在为该领域的发展提供启示，并推动未来更多有趣的工作。

    Apr, 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

  • SAMM（Segment Any Medical Model）：用于 SAM 的三维切片器集成

    SAM 模型在图像分割方面表现良好，但在医学图像方面还需要进一步验证。我们介绍了 SAMM，它是 SAM 的扩展，用于在 3D Slicer 上处理医学图像，并能够近乎实时地产生图像掩膜。

    Apr, 2023

  • 使用 SAM 的输入增强：利用分割基础模型提升医学图像分割

    SAM 是一个通用视觉模型，虽然在医学图像分割上的分割效果不高，但其生成的掩膜、特征和稳定性分数可以用于构建和训练更好的医学图像分割模型，该论文展示了如何用 SAM 来增强常用的医学图像分割模型（例如 U-Net），两个数据集上的实验表明了我们提出方法的有效性。

    Apr, 2023

  • 基于基础模型的生物医学图像分割：综述

    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

  • 医学影像分割模型：实验研究

    本文对 Segment Anything Model 在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

    Apr, 2023

  • 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

  • Polyp-SAM: 基于 Transfer Learning 的息肉分割模型

    本研究提出了基于 Segment Anything Model (SAM) 的调优模型 Poly-SAM 用于结肠息肉图像的分割，相比已有方法，该模型在结肠息肉分割方面具有优越的性能，集成了两种迁移学习策略的 SAM 模型也能很好地适用于医学图像分割任务，模型代码和权重已开放。

    Apr, 2023