EviPrompt:一种没有培训的证据快速生成方法,用于在医学图像中适应任何模型的细分

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:

• 医学图像细分对于临床应用至关重要.
• 分段任何模型 (SAM) 是有前途的,但由于提示工程和领域差距,在医学成像方面面临着挑战.
• 现有的方法通常需要广泛的标签和计算资源.

研究的目的:

• 介绍EviPrompt,一种用于医学图像细分的新,无需培训的提示生成方法.
• 克服SAM在医学成像中的局限性,特别是需要专家提示和领域差距.
• 减少对广泛的标签和计算资源的依赖.

主要方法:

• EviPrompt 使用单个参考图像-注释对自动生成提示.
• 它使用证据学习来提高快速可靠性.
• 委员会投票和推断引导的上下文学习被用来解决领域差距,优先考虑人类的先验知识.

主要成果:

• EviPrompt在各种各样的医学成像任务和模式中表现出有效性.
• 该方法显著减少了对专家劳动力和计算资源的需求.
• 它为医疗图像细分提供了高效和强大的解决方案.

结论:

• EviPrompt为医疗图像细分提供了有效和高效的解决方案.
• 没有培训的方法使得高级细分可以用最小的资源进行访问.
• 这种方法有可能对医学成像的临床应用产生重大影响.