没有培训的乳房超声波图像细分与基于检索的SAM2
IEEE transactions on bio-medical engineering
|August 5, 2025
概括
一个新的培训-免费框架TFSeg通过使用Segment Anything Model 2 (SAM2) 增强了乳腺癌超声波细分. 它实现了高精度,为改善诊断提供了监督方法的有效替代方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期发现乳腺癌对于预后至关重要.
- 超声波解释依赖于专业知识,这带来了挑战.
- 监督细分模型需要大量的数据和培训.
研究的目的:
- 引入TFSeg,一个无培训细分框架.
- 克服监督模型在医疗图像细分方面的局限性.
- 为了改善乳腺癌超声波分析.
主要方法:
- TFSeg使用了分段任何模型2 (SAM2).
- 它使用图像检索来生成面具提示.
- 该框架避免了模型重新训练和超参数调整.
主要成果:
- 在乳房超声波图像上,TFSeg获得了82.66%的Dice分数.
- 与其他模型相比,该方法显示出更高的精度 (87.93%).
- 性能超过了大多数监督和无培训的细分方法.
结论:
- TFSeg为乳腺癌超声波细分提供了一种高效有效的解决方案.
- 该框架利用SAM2的图像检索和序列生成.
- 它显示了在医学图像分析中更广泛应用的潜力.


