SAM駆動のクロスプロンプトは,半監督医療画像セグメンテーションのための適応型サンプリング一貫性を持つ

科学分野:

• 人工知能 (AI) とは,人工知能 (AI) のことです.
• メディカルイマージング (医学イメージング)
• コンピュータビジョン コンピュータビジョン

背景:

• 半監督学習 (SSL) は,ラベル付きデータが限られているため,医療画像セグメンテーションに不可欠です.
• セグメント・アニバーティ・モデル (SAM) のようなビジュアル・ファウンデーション・モデルは,サンプル効率を向上させています.
• 医療イメージングにおけるSSLの基盤モデルを活用することは,依然として課題です.

研究 の 目的:

• 半監督医療画像セグメンテーションのための新しいSAM駆動フレームワーク (CPAC-SAM) を提案する.
• ラベル付けされたデータとラベル付けされていないデータの両方から,クロスプロンプトとアダプティブサンプリングを使用して学習を強化します.
• 堅固なセグメンテーションのための迅速な信頼性と一貫性を向上させるため.

主な方法:

• SAM駆動のクロスプロンプティング・フレームワークを開発し,ダブルブランチ構造.
• 適応式プロンプト生成のためのプロトタイプ主導のグリッドサンプリング戦略を実装しました.
• SAMの感度を下げるため,迅速な一貫性の正規化が導入されました.

主要な成果:

• CPAC-SAMは,5つの医療画像セグメンテーションタスク (2Dおよび3D) で,最先端のSSL方法よりも優れたパフォーマンスを示しました.
• 乳がんの4.1%以上,左心房のセグメンテーションの3.8%以上を含む顕著な改善を達成しました.
• 様々なラベルデータ比率と方法によって有効性を検証した.

結論:

• CPAC-SAMは,半監督医療画像セグメンテーションに基礎モデルを効果的に統合しています.
• 提案されているクロスプロンプト,アダプティブサンプリング,および一貫性の正規化により,学習効率と正確性が向上します.
• このフレームワークは,限られたラベルデータで医療画像分析を進めるための有望なアプローチを提供します.