通过零射击分段杆弱注释到像素智能注释任何分子授权学习模型
Xueyuan Li1, Ruining Deng2, Yucheng Tang3
1Data Science Institute, Vanderbilt University, Nashville, TN, USA.
概括
本研究引入了一种新的AI方法,使用分段任何模型 (SAM) 来进行病态图像细分. SAM辅助学习 (SAM-L) 减少了非专家的注释工作,而不会牺牲准确性.
科学领域:
- 数字病理学数字病理学
- 人工智能在医学中的应用
- 计算生物学 计算生物学
背景情况:
- 在全片成像 (WSI) 中精确的细胞识别对于临床应用至关重要.
- 当前的人工智能模型培训需要专家进行艰苦的像素级注释,这些注释容易出现错误和可扩展性问题.
- 使用免疫光 (IF) 图像进行分子增强学习是有前途的,但仍然需要手动划分.
研究的目的:
- 为病态图像分割开发一种更有效,更可扩展的注释方法.
- 探索使用细分任何模型 (SAM) 与弱框注释用于零射击学习.
- 与传统方法相比,评估SAM辅助分子赋能学习 (SAM-L) 的性能.
主要方法:
- 利用SAM从弱框注释生成像素级注释.
- 使用SAM生成的标签训练了一个细分模型.
- 采用分子授权的学习方法,使用简单的注释器和IF图像.
- 评估了注释准确性和细分模型性能.
主要成果:
- SAM-L 通过仅使用框注释,显著减少了普通注释者的注释工作量.
- 保持注释准确度和基于深度学习的细分性能.
- 拟议的方法使非专家注释者能够有效地为病态图像细分做出贡献.
结论:
- SAM辅助的分子授权学习 (SAM-L) 为病态图像注释提供了可扩展和准确的解决方案.
- 这种方法使人工智能模型在病态图像细分方面的培训变得民主化.
- 它尽量减少对专家注释者和密集的手动划线的依赖.
