联合国-SAM:域自适应式自动提示细分用于通用核图像
Zhen Chen1, Qing Xu2, Xinyu Liu2
1Centre for Artificial Intelligence and Robotics (CAIR), Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences, Hong Kong Special Administrative Region of China.
Medical image analysis
|May 11, 2025
概括
我们介绍了UN-SAM,这是数字病理学中自动化核细分的新框架. 它克服了手动注释的局限性,在各种领域提供了卓越的性能和概括性.
科学领域:
- 数字病理学数字病理学
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
背景情况:
- 精确的核细分在数字病理学中至关重要,但面临着来自不同数据的挑战.
- 细分任何模型 (SAM) 在医学成像方面都很有前途,但需要大量的手动注释.
- 手动注释对于大规模的核分析是不切实际的,阻碍了临床应用.
研究的目的:
- 开发一个自动化,域适应的框架,用于通用核细分.
- 为了消除在核细分中的劳动密集型手动注释的需要.
- 提高SAM在数字病理学中的性能和概括能力.
主要方法:
- 建议使用Segment Anything Model (UN-SAM) 框架进行通用核细分.
- 开发一个多尺度的自动提示生成 (SPGen) 模块,用于自动化面具提示生成.
- 实现一个适应域调整编码器 (DT-Encoder) 和域查询增强的解码器 (DQ-Decoder) 进行域调整.
主要成果:
- 联合国-SAM在核实例和语义细分方面取得了卓越的性能.
- 该框架在未见的核心领域展示了强大的概括能力.
- 自动提示生成显著提高了临床工作流程的效率.
结论:
- 联合国SAM提供了一个全自动化和高效的解决方案,用于核细分.
- 拟议的域适应性方法提高了SAM在各种医学成像场景中的适用性.
- 联合国SAM代表了数字病理学自动化分析的重大进步.
