半SAM+:在基础模型时代,重新思考半监督医疗图像细分
Yichi Zhang1, Bohao Lv2, Le Xue3
1Artificial Intelligence Innovation and Incubation Institute, Fudan University, Shanghai, China; Shanghai Academy of Artificial Intelligence for Science, Shanghai, China.
Medical image analysis
|August 6, 2025
概括
半SAM+利用基础模型和提示性细分来显著改善医疗图像细分,使用有限的标记数据. 这种方法降低了注释成本,提高了临床环境中的效率.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分的深度学习需要大量的标记数据,在临床实践中由于注释成本高而带来挑战.
- 半监督学习 (SSL) 通过减少对大型注释数据集的依赖,提供了一个有希望的替代方案.
- 提示性细分基础模型的出现,如细分任何模型 (SAM),为通用细分能力提供了一个新的范式.
研究的目的:
- 引入SemiSAM+,一个由基础模型驱动的新型SSL框架,用于使用有限的标记数据进行高效的医疗图像细分.
- 探索专家-通用主义的协作学习策略,以提高细分性能.
主要方法:
- 半SAM+采用一个或多个可提示的基础模型 (通用) 和可训练的特定任务细分模型 (专家).
- 一个协作式学习过程涉及专家模型为结的通用模型生成位置提示,以获得伪标签.
- 一般模型的输出为专业模型提供了监督,促进了自动细分和快速生成.
主要成果:
- 在三个公共和一个内部临床数据集中,SemiSAM+显示出显著的性能改善.
- 该框架在极限注释的场景中表现出特别高的效率.
- 由于SemiSAM+的插即用性质,可以轻松适应各种专业和通用模型,突出其效率.
结论:
- 半SAM+为医疗图像细分提供了高效和有效的解决方案,特别是当标记数据稀缺时.
- 基础模型驱动的SSL方法代表了与传统方法相比的重大进步,减少了注释负担并提高了细分精度.
- 这种框架具有更广泛的临床应用的潜力,因为它可以在最少的专家投入下实现强大的细分.
