Jul, 2024
医学图像解剖分割的SAM少样本微调
SAM Fewshot Finetuning for Anatomical Segmentation in Medical Images
TL;DR我们提出了一种简单而高效的少样本微调策略，用于将Segment Anything（SAM）适应于医学图像中的解剖分割任务。我们的方法通过在SAM内对掩膜解码器进行改进，利用从有限标记图像集合（少样本收集）中导出的少样本嵌入作为查询解剖对象的提示，大大减少了需要耗时的在线用户交互。我们的方法通过只使用缓存机制训练掩膜解码器、同时保持图像编码器冻结，优先考虑了微调过程的效率。此方法不仅限于体积医学图像，而且可以普遍应用于任何2D／3D分割任务。通过对四个数据集进行全面验证，覆盖了两种模态下六个解剖分割任务。此外，我们对SAM内的不同提示选项与完全监督的nnU-Net进行了比较分析。结果表明，与仅使用点提示的SAM相比，我们的方法表现卓越（IoU提高约50%），并且与完全监督方法相媲美，同时将标记数据需求降低了至少一个数量级。