不确定性驱动的边缘快速生成网络用于医疗图像分割.

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:

• 像SAM这样的基础图像细分模型在自然图像中表现出色,但在医疗成像的复杂性方面扎.
• 目前基于SAM的医疗细分方法需要大量的手动输入 (点,盒子,口罩),限制了灵活性和适应性.
• 医疗图像中的边缘模糊对准确的细分构成了重大挑战.

研究的目的:

• 开发一种可适应和灵活的医疗图像细分方法,克服手册指导的局限性.
• 解决医疗图像边缘模糊的挑战,以提高细分质量.
• 引入UDEG-Net,这是一个以不确定性驱动的边缘提示生成网络,用于强大的医疗图像细分.

主要方法:

• 使用低级调整 (LoRA) 微调SAM编码器,以增强医疗图像的特征提取.
• 开发一个自动边缘提示生成器,以克服交互式提示限制并改善结构表示.
• 实施基于证据的不确定性估计和逐渐的不确定性驱动损失,以指导快速生成.

主要成果:

• 在医疗图像细分方面,UDESG-Net与最先进的方法相比表现优越.
• 拟议的方法有效地处理边缘模糊,并提高分段精度.
• 在三个公共和一个私人医疗图像数据集上进行了实验验证.

结论:

• UDESG-Net 在自动化医疗图像细分方面取得了重大进展.
• 不确定性驱动的边缘提示生成方法提高了适应性和稳定性.
• 这种方法有望提高医学成像工作流程的诊断准确性和效率.