全在SAM:从弱注释到像素智能的核心细分与基于提示符的微调.

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:

• 细分任何模型 (SAM) 提供了强大的零射击细分能力.
• 在SAM中手动提示对生物医学应用来说是资源密集的.
• 有效的细分对于推进医学图像分析至关重要.

研究的目的:

• 引入一个全在SAM的自动化管道,用于使用SAM进行生物医学图像细分.
• 为了消除在SAM推断过程中需要手动提示的需要.
• 提高医疗成像中的AI开发工作流程的效率和性能.

主要方法:

• 利用SAM从弱提示 (点,边界框) 来自动生成像素级注释.
• 员工生成注释来微调SAM模型.
• 在使用MONUSEG数据集的核心细分任务上评估了管道.

主要成果:

• 全在SAM管道的性能超过了核心细分的最先进方法.
• 微调SAM的弱点/少数注释实现了性能与强大的像素注释具有竞争力.
• 证明了SAM的自动注释和微调的有效性.

结论:

• 全在SAM管道显著提高生物医学图像细分的效率.
• 使用SAM进行自动注释和微调,为手动细分提供了可行的替代方案.
• 这种方法有望加速AI在医学成像领域的发展.