SAM引导的交叉伪监督学习用于半监督的医疗图像细分.

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 在医学图像中准确识别病变对于诊断和治疗至关重要.
• 有限的注释和复杂的损伤特征阻碍了当前细分模型的性能.
• 细分任何模型 (SAM) 在自然图像细分方面表现有前途,但在医疗数据方面存在困难.

研究的目的:

• 开发一个SAM辅助的半监督框架,用于准确的病变细分,特别是缺乏注释的病变细分.
• 通过结合特定领域的策略,克服SAM在医学成像中的性能限制.
• 面对有限的注释医疗数据,提高模型的代表性能力.

主要方法:

• 一个双分支架构,使用微调的SAM (ViT-Base) 模型与适配器.
• 开发一个点提示生成器,使用来自双分支输出的伪标签来自动创建提示.
• 利用预先训练的SAM (ViT-Huge) 模型与生成的提示来改进细分口罩以进行额外的监督.

主要成果:

• 拟议的框架在损伤细分方面取得了有希望的表现.
• 在实验中,与现有的基线方法相比,实验表明了实质性的改进.
• 这种方法即使在高度注释稀缺的临床场景中也显示出有效性.

结论:

• 这种新的SAM辅助框架有效地解决了医学病变细分中的有限注释的挑战.
• 对未标记数据的点提示的自主生成提高了细分的准确性.
• 这种方法为临床实践提供了一个可行的解决方案,在临床实践中,数据注释是资源密集的.