LeSAM:适应细分任何医疗损伤细分模型

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 分段任何模型 (SAM) 在自然图像细分方面表现出色,但由于域差异,它在医疗图像方面扎.
• 准确的医学病变细分对于诊断和治疗规划至关重要,但对现有模型来说具有挑战性,特别是对于不规则或低对比度病变.

研究的目的:

• 适应SAM以改善医疗病变细分,解决其在处理医疗图像特征方面的局限性.
• 开发一个专门的模型,LeSAM,将一般细分能力与医疗领域知识集成在一起.

主要方法:

• LeSAM使用一个高效的适应模块来学习医疗特征,将它们与SAM的预训练知识合并.
• 一个修改后的,轻量级的U形网络被用作面具解码器,用于增强损伤边界划分和高效的训练.
• 该方法在CT,MRI,超声波,皮肤镜和内镜成像模式的各种病变细分任务上进行了评估.

主要成果:

• 在12个损伤细分基准中的8个中,LeSAM的表现优于最先进的方法.
• 该模型在剩余的4个数据集上取得了竞争性表现,证明了广泛的适用性.
• 废弃性研究证实了拟议的适应模块和修改的解码器设计的有效性.

结论:

• LeSAM有效地弥合了域差距,显著提高了SAM在医学病变细分方面的性能.
• 拟议的适应策略和轻量级解码器为专门的医学图像分析任务提供了有希望的方法.