用医疗图像细分的界限框约束进行快速学习

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 医学图像分割的像素智能注释是耗时且昂贵的.
• 使用界限框的弱监督方法提供了一个更有效的替代方案.
• 视觉基础模型在基于提示的学习的细分方面表现有前途.

研究的目的:

• 开发一种新的框架,将基础模型与弱监督的细分结合起来.
• 为了使基础模型的提示生成自动化,只使用界限框注释.
• 为了减少医疗图像分割中手动注释的负担.

主要方法:

• 一个新的框架,整合基础模型与弱监督的细分.
• 使用界限框注释为基础模型的自动提示生成.
• 一个优化方案,将框注释约束与来自提示基础模型的伪标签结合起来.

主要成果:

• 在有限的数据设置中,拟议的弱监管方法在有限的数据设置中获得了平均Dice得分84.90%.
• 该方法的性能优于现有的完全监督和弱监督方法.
• 在多模式数据集中表现出有效性.

结论:

• 开发的框架成功地利用了基础模型来实现高效的医学图像细分.
• 带有界框的自动提示生成显著减少了注释工作.
• 这种方法为医疗图像细分挑战提供了实用且高性能的解决方案.