基于低级适应微调SAM微调的跨领域皮质下大脑结构细分算法.
Yuan Sui1, Qian Hu2, Yujie Zhang3
1School of Computer Science and Engineering, Northeastern University, Shenyang, Liaoning, 110169, China.
BMC medical imaging
|July 2, 2025
概括
这项研究引入了一种新的方法来改进大脑MRI细分,使用低等级适应 (LoRA) 来微调细分任何模型 (SAM). 这种方法提高了深层大脑结构的准确性,降低了临床医生的注释成本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 准确的脑部MRI细分对于诊断和治疗神经疾病至关重要.
- 由于领域差异,深度学习模型在皮层下大脑结构细分方面扎.
研究的目的:
- 开发一种高效,准确的脑皮下脑结构分割算法,用于MRI.
- 适应大型基础模型用于专门的医学成像任务.
主要方法:
- 使用低级调整 (LoRA) 微调分段任何模型 (SAM).
- 结SAM图像编码器并将LoRA应用于其权重.
- 微调SAM的提示符编码器和面具解码器,具有自适应式提示符学习.
主要成果:
- 微调的模型仅使用6.39%的原始SAM的参数.
- 适应式即时学习增强了对任意大脑MRI扫描的细分精度.
- 该方法在各种MRI数据集和细分场景中展示了概括性.
结论:
- 这种交互式方法为深层大脑结构提供了智能细分,克服了数据限制.
- 该算法有效地降低了医疗图像细分中的手动注释成本.
- 与现有算法相比,拟议的方法显示出优越的概括性和有效性.
