基于细分的深度学习方法的审查 医疗图像细分的任何模型
Dina Koishiyeva1, Dinargul Mukhammejanova2, Jeong Won Kang3
1School of Information Technology and Engineering, Kazakh-British Technical University, Almaty 050000, Kazakhstan.
Bioengineering (Basel, Switzerland)
|December 30, 2025
概括
细分任何模型 (SAM) 通过通用架构彻底改变了医疗图像细分. SAM衍生实现了高精度 (81-95% Dice),同时显著减少了注释需求 (56-73%).
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:
- 由于基础模型,医疗图像细分已经显著发展.
- 细分任何模型 (SAM) 标志着在医学可视化中向通用架构的范式转变.
- 具体任务模型正在被更普遍的方法所取代.
研究的目的:
- 审查细分任何模型 (SAM) 在医学可视化中的适应性和影响.
- 探索SAM在多式联接,体积扩展和不确定性意识架构中的应用.
- 在医疗环境中分析SAM衍生品的性能和注释效率.
主要方法:
- 对多式联络融合框架进行视觉数据语义对齐的审查.
- 用于3D空间推理的体积扩展 (例如,SAM3D,ProtoSAM-3D,VISTA3D) 的分析.
- 检查不确定性意识架构 (例如,SAM-U,E-Bayes SAM) 的临床解释性.
主要成果:
- SAM衍生品表现出高的细分精度,实现了81-95%的Dice系数.
- 这些模型显著减少了56-73%的注释要求.
- 适应侧重于多式联接,3D处理和概率校准.
结论:
- 基于SAM的方法为医疗图像细分提供了强大而高效的解决方案.
- 未来的工作应该专注于自适应域提示,贝叶斯自我纠正和统一的体积框架.
- 这些进步旨在在各种医学成像应用中实现自主通用化.
