通过短期长期记忆加速体积医疗图像注释SAM 2
IEEE transactions on medical imaging
|November 3, 2025
概括
短长内存SAM 2 (SLM-SAM 2) 通过使用双重内存库来减少错误来改善医疗图像细分. 这种新的方法提高了准确性,并大大减少了体积图像注释的手动校正时间.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 手动注释体积医学图像 (MRI,CT) 是耗时的.
- 像SegmentAnything Model 2 (SAM 2) 这样的基础模型提供了通过切片传播更快的注释的潜力.
- 目前的SAM 2性能受到错误传播的限制,特别是在切片边界.
研究的目的:
- 为医疗图像开发一个改进的细分模型.
- 为了解决SAM 2在扩散口罩在体积数据上的局限性.
- 为了提高自动化医疗图像注释的准确性和效率.
主要方法:
- 拟议的短期长期内存SAM 2 (SLM-SAM 2) 架构具有不同的短期和长期内存库以及单独的注意力模块.
- 在MRI,CT和超声波视频中对四个公共数据集 (器官,骨,肌肉) 进行SLM-SAM 2评估.
- 将SLM-SAM 2的性能与默认的SAM 2进行比较.
主要成果:
- SLM-SAM 2显著优于默认的SAM 2,平均子相似系数的改善为0.14 (5卷) 和0.10 (1卷).
- 拟议的方法显示出对过度传播错误的更强的抵抗力.
- 与SAM 2相比,手动校正时间缩短了每体积60.575%,相比SAM 2的时间缩短了60.575%.
结论:
- 在医疗图像细分方面,SLM-SAM 2比SAM 2有了显著的改进.
- 双内存银行架构有效地减轻了体积注释中的错误传播.
- SLM-SAM 2代表了针对细分模型开发准确和高效的自动化医疗图像注释的重大进展.
