SAM-driven cross prompting with adaptive sampling consistency for semi-supervised medical image segmentation

Área de la Ciencia:

• Inteligencia Artificial
• Imágenes Médicas
• Visión por Computadora

Sus antecedentes:

• El aprendizaje semisupervisado (SSL) es crucial para la segmentación de imágenes médicas debido a la limitada cantidad de datos etiquetados.
• Los modelos visuales fundacionales como el Segment Anything Model (SAM) ofrecen una eficiencia de muestra mejorada.
• Aprovechar los modelos fundacionales para SSL en imágenes médicas sigue siendo un desafío.

Objetivo del estudio:

• Proponer un marco novedoso impulsado por SAM (CPAC-SAM) para la segmentación de imágenes médicas semisupervisada.
• Mejorar el aprendizaje tanto de datos etiquetados como no etiquetados utilizando indicaciones cruzadas y muestreo adaptativo.
• Mejorar la fiabilidad y consistencia de las indicaciones para una segmentación robusta.

Principales métodos:

• Se desarrolló un marco de indicaciones cruzadas impulsado por SAM con una estructura de doble rama.
• Se implementó una estrategia de muestreo de cuadrícula guiada por prototipos para la generación adaptativa de indicaciones.
• Se introdujo una regularización de consistencia de indicaciones para reducir la sensibilidad de SAM.

Principales resultados:

• CPAC-SAM demostró un rendimiento superior a los métodos SSL de última generación en cinco tareas de segmentación de imágenes médicas (2D y 3D).
• Se lograron mejoras significativas en el Dice, incluido más del 4,1% para el cáncer de mama y el 3,8% para la segmentación de la aurícula izquierda.
• Se validó la efectividad en diversas proporciones de datos etiquetados y modalidades.

Conclusiones:

• CPAC-SAM integra eficazmente modelos fundacionales en la segmentación de imágenes médicas semisupervisada.
• Las indicaciones cruzadas propuestas, el muestreo adaptativo y la regularización de consistencia mejoran la eficiencia y la precisión del aprendizaje.
• Este marco ofrece un enfoque prometedor para avanzar en el análisis de imágenes médicas con datos etiquetados limitados.