点监督的大脑瘤细分与盒式提示医疗细分任何模型
1Yale University, Radiology and Biomedical Imaging, New Haven, Connecticut, United States of America.
IEEE Nuclear Science Symposium conference record. Nuclear Science Symposium
|October 24, 2024
概括
本研究引入了一种使用MedSAM的点监督医疗图像细分 (PSS) 的新代框架. 该方法通过将点注释转换为语义界限框来提高细分的准确性,改进了传统的PSS技术.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 对解剖结构和病变的准确划线对于图像引导干预至关重要.
- 点监督医疗图像细分 (PSS) 提供了一个有前途的解决方案,以减少专家标签的负担.
- 目前的PSS方法在精确的边界和尺寸指导方面扎,限制了它们的有效性.
研究的目的:
- 开发一个有效的点监督医疗图像细分框架,利用基础视觉模型.
- 为了解决点注释在语义模糊性和边界定义中的局限性.
- 为了提高 MedSAM 的性能,用于点提示分段任务.
主要方法:
- 引入了一个用于语义意识点监督的MedSAM的代框架.
- 开发了一个语义框提示生成器 (SBPG),用基于原型的语义相似性将点输入转换为精细的伪边界框建议.
- 采用快速引导空间改进 (PGSR) 模块来推断细分面具和代更新盒子提案,利用MedSAM的概括性.
主要成果:
- 拟议的框架通过适当的代演示了逐步改进的性能.
- 在BraTS2018上评估整个脑瘤细分.
- 与传统的PSS方法相比,实现了更高的性能,与盒子监督方法相比,性能相当.
结论:
- 代框架有效地促进了语义意识的点监督的MedSAM.
- SBPG和PGSR模块增强了对医疗图像细分的点注释的利用.
- 该方法显示出在临床应用中提高医疗图像细分效率和准确性的巨大潜力.
