FNPC-SAM:在杂的医学图像上对SAM进行不确定性引导的虚假负/正控制

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 分段任何模型 (SAM) 是用于一般图像分割的强大基础模型.
• 在医疗图像的细分方面,SAM表现出局限性,特别是低对比度和噪音超声数据.
• 现有的方法需要广泛的培训或微调用于医疗图像细分.

研究的目的:

• 为了提高SAM的性能和医疗图像分割的稳定性,特别是在具有挑战性的超声数据集中.
• 引入一个测试阶段的提示增强技术,可以提高SAM的细分精度,而不需要重新训练.
• 通过使用一种新的方法,从单个2D切片实现3D细分.

主要方法:

• 开发了一种快速增强技术,将多框提示与基于随机不确定性的假负 (FN) 和假正 (FP) 校正 (FNPC) 策略结合起来.
• 在两个不同的超声波数据集上评估了拟议的方法.
• 引入了单片到卷 (SS2V) 方法,用于使用单个2D切片注释进行3D细分.

主要成果:

• 在超声波图像上显示了SAM细分性能的显著改善.
• 展示了对不准确提示的增强强性,而不需要额外的培训或模型调整.
• 从单个2D切片成功启用了3D分割,提高了效率.

结论:

• 提议的快速增强和FNPC策略有效地增强了SAM用于医疗图像细分,特别是在杂的低对比条件下.
• 该方法为在医学成像中利用SAM提供了一个实际的解决方案,而不需要进行广泛的再培训.
• SS2V 方法为使用有限注释的3D细分任务提供了一种高效的方法.