PAM:一种基于传播的模型,用于在多模式医疗图像中分割任何3D对象
Zifan Chen1,2, Xinyu Nan2, Jiazheng Li3
1Center for Machine Learning Research, Peking University, Beijing, China.
NPJ digital medicine
|December 2, 2025
概括
我们开发了PAM,这是一种用于3D医疗图像细分的新框架. 这种高效的工具从最小的2D提示生成准确的细分,优于现有的方法,减少手动注释需求.
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:
- 由于广泛的注释要求,医学成像中的体积细分具有挑战性.
- 目前的方法缺乏跨不同对象的可转移性,并且需要特定任务的再培训.
研究的目的:
- 介绍PAM,一种基于传播的框架,用于从最小的2D提示生成3D细分.
- 提高自动化医疗图像细分的效率和通用性.
主要方法:
- PAM集成了一个基于CNN的UNet,用于切片内特征提取.
- 变压器的注意力用于切片间的传播,捕捉结构和语义连续性.
- 该框架在44个不同的医学成像数据集中进行了评估.
主要成果:
- 帕姆显著优于MedSAM和SegVol,在子相似系数 (DSC) 中平均有19.3%的改善.
- 在快速和传播变异中观察到稳定的性能.
- 推断时间缩短了,用户交互时间减少了63.6%.
结论:
- 通过最小的输入,PAM提供了精确的3D细分,减少了对手工注释和再培训的依赖.
- 该框架显示了强大的跨对象概括,特别是在不规则的形状.
- PAM为自动化临床成像提供了一个高效和可通用的工具.
