加速视觉基础模型,以实现高效的医疗图像细分
Xian-Tao Wu1, Xiao-Diao Chen1, Wen Wu2
1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, China.
Medical physics
|December 19, 2025
概括
这项研究通过降低计算成本来加速医疗图像细分的细分任何模型 (SAM). 一种新的方法将CNN辅助调整与令牌暂停相结合,实现更快的处理和更好的分段质量.
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:
- 分段任何模型 (SAM) 显示出基于人工智能的医疗图像分割的前景.
- 由于视觉变压器的复杂性,SAM的高计算成本阻碍了实时应用.
研究的目的:
- 为了加速SAM用于医疗图像细分.
- 为了提高细分质量和减少内存使用.
主要方法:
- 提出了一个CNN辅助的调整策略,使SAM能够处理较小的输入,减少补丁和内存.
- 引入了一个令牌暂停策略,以跳过计算以获得更少信息的补丁,解决冗余性.
- 结合了这两种策略,实现了高效,可适应的医疗图像细分.
主要成果:
- 与现有的基于SAM的方法相比,实现了12倍更快的处理速度.
- 在Synapse和ACDC基准指标上表现出优异的细分性能.
- 通过处理较小的输入,显著降低了内存消耗.
结论:
- 确定输入大小调整和统一的补丁处理是医学成像中SAM的局限性.
- 开发了一个高效的策略,集成基于适配器的调和令牌暂停.
- 提高了医疗应用的吞吐量和保留了细分性能.
