弱MedSAM:通过SAM进行弱监督的医疗图像细分,并进行子类探索和快速亲和挖掘
IEEE transactions on medical imaging
|March 10, 2025
概括
这项研究介绍了WeakMedSAM,这是一个新的弱监督模型,通过利用细分任何模型 (SAM) 来降低医疗图像注释成本. 它以更少的数据实现了准确的细分,提高了医疗AI的效率.
科学领域:
- 计算机视觉 计算机视觉
- 医学图像分析 医学图像分析
- 人工智能的人工智能
背景情况:
- 基金会模型显示,在视觉任务方面取得了重大进展.
- 现有的方法通常需要广泛的像素智能注释,用于医疗图像细分,使用诸如细分任何模型 (SAM) 等模型.
- 高昂的标签成本阻碍了医学中先进的细分模型的广泛应用.
研究的目的:
- 开发一个基于SAM的细分模型 (WeakMedSAM),以减少对广泛的医学图像注释的需求.
- 为了提高医疗图像细分的准确性和效率,同时最大限度地减少标签工作.
- 在类似SAM的框架内研究新型模块,用于特征表示和细分精细化.
主要方法:
- 拟议的WeakMedSAM包含一个子类探索模块,以学习准确的特征表示,并减轻医疗图像中的共发生问题.
- 引入了一个提示性亲和性挖掘模块,通过利用SAM的随机步行精细化提示功能来增强类激活地图.
- 该方法旨在与各种类似SAM的骨干相兼容,用SAMUS和EfficientSAM进行了证明.
主要成果:
- WeakMedSAM在三个基准数据集上展示了有前途的细分性能:BraTS 2019, AbdomenCT-1K和MSD心脏.
- 该模型有效地减少了对完全监督,像素智能的注释数据的依赖.
- 实验结果验证了拟议的子类勘探和快速亲和挖矿模块的有效性.
结论:
- WeakMedSAM为医疗图像细分提供了一种有效的弱监督方法,大大降低了注释成本.
- 拟议的模块提高了特征表示和细分质量,使先进的模型更容易获得医疗应用.
- 这项工作为更高效,更具成本效益的AI驱动医疗图像分析铺平了道路.
