细分任何组织:一次性参考指导无训练自动点提示,用于医疗图像细分
Xueyu Liu1, Guangze Shi1, Rui Wang2
1College of Artificial Intelligence, Taiyuan University of Technology, Taiyuan, Shanxi, 030024, China.
Medical image analysis
|March 22, 2025
概括
细分任何组织 (SAT) 是一个新的,没有培训的框架,可以显著降低医疗图像注释成本. 它只使用单个参考图像实现了高质量的,与类无关的组织细分,增强了临床AI应用.
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:
- 医疗图像细分面临着高的注释成本和适应新任务的挑战.
- 现有的视觉基础模型在自动,高质量的提示生成中扎,以进行无阶级的医学图像细分.
研究的目的:
- 引入Segment Any Tissue (SAT),这是一个无需培训的框架,用于自动,无类的医疗图像细分.
- 为了应对医学图像细分中的高注释成本和任务调整的挑战.
主要方法:
- SAT采用双空间循环提示工程方法,集成特征和物理空间距离指标,用于自动提示生成.
- 它利用预训练的基础模型进行特征匹配,并利用无关阶级的细分模型获得结果.
- 一个合奏版本的SAT包含多个参考图像以提高性能.
主要成果:
- 在六个不同的医疗细分任务中,SAT得到了验证,证明了其在宏观和显微尺度上的有效性.
- 废弃性研究证实了SAT处理各种组织大小的能力以及其组件的有效性.
- 对比实验表明,SAT与完全监督的方法相匹配或超越,并且优于现有的一次性技术.
结论:
- SAT为医疗组织细分提供了一个无需培训的,一次性的解决方案,大大减少了注释要求.
- 该框架提高了任务的可转移性,并为临床环境中的智能医学奠定了基础.
