通过快速驱动的基础模型进行无监督的交叉模式MR图像细分
IEEE transactions on bio-medical engineering
|November 3, 2025
概括
这项研究引入了一种新的基础模型方法,用于跨模式的医疗图像细分,克服域差异,而不需要标签或注册. 该方法利用空间一致性,在不同的成像方式中进行准确的细分.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 像素级医学图像注释是昂贵和耗时的,特别是在像MRI这样的多模式数据中.
- 跨模式细分的无监督域调整方法经常与源目标域差异作斗争.
研究的目的:
- 开发一个强大的跨模式细分方案,使用绕过领域差异的基础模型.
- 为了在目标成像模式中使用来自单一源模式的注释来实现准确的细分,无需标签或注册.
主要方法:
- 利用基于分段任何模型 (SAM) 的方法,使用从一种模式的细分结果作为另一种模式的伪标签和提示.
- 引入基于一致性的提示调整和混合表示学习,以处理未注册数据和噪音标签.
- 在多种模式中利用空间一致性来缓解域移动问题.
主要成果:
- 在跨模式细分任务中表现出显著的性能改进.
- 对肝病变和肝脏细分的内部和公共数据集验证了该方法.
- 与现有方法相比,取得了最先进的结果.
结论:
- 拟议的基于基础模型的方案为跨模式的医疗图像细分提供了高效和有效的解决方案.
- 这种方法减少了对广泛的专家注释和复杂的注册流程的依赖.
- 该方法显示了提高在各种医学成像场景中细分精度和适用性的巨大潜力.
