一个高效的细调策略的细分任何模型为多片细分的细分策略
Mingyan Wang1, Cun Xu2, Kefeng Fan3
1Information Technology Center, Tsinghua University, Beijing, 100084, China. wangmingyan@tsinghua.edu.cn.
Scientific reports
|April 24, 2025
概括
本研究介绍了PSF-SAM,这是一种有效的细分结肠多的方法. 它克服了标准微调的局限性,提高了准确性和几次拍摄的学习,以更好地检测结肠癌.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 结肠癌是一个全球性的健康问题,需要准确且具有成本效益的检测方法.
- 结肠多细分对于早期诊断至关重要,但面临诸如高注释成本和有限准确性等挑战.
- 对于像分段任何模型 (SAM) 这样的模型,现有的微调方法可能导致灾难性的遗忘,阻碍了概括.
研究的目的:
- 提出和评估SAM的高效微调策略,以改善结肠多片细分.
- 为了解决医疗成像任务微调过程中SAM中灾难性遗忘的问题.
- 为了提高结肠多片细分的性能,特别是在少数射击学习场景中.
主要方法:
- 开发了PSF-SAM,通过结大多数参数和优化特定结构,为SAM开发了一种高效的微调方法.
- 应用PSF-SAM对结肠多片细分任务.
- 在Kvasir-SEG和CVC-ClinicDB数据集上使用mDice系数和mIoU等指标评估性能.
主要成果:
- 与传统的微调方法相比,PSF-SAM在结肠多片细分方面表现优越.
- 提出的方法显著提高了准确性,由较高的mDice和mIoU分数表明.
- 在短时间学习场景中,PSF-SAM表现出显著的优势,优于现有技术.
结论:
- PSF-SAM有效地减轻了灾难性遗忘,并提高了结肠多片细分的准确性.
- 提出的高效微调策略为通过医学图像分析改善结肠癌检测提供了一个有希望的解决方案.
- 在医疗细分任务中,PSF-SAM为少数射击学习提供了有价值的进步.
