LDFSAM:局部化蒸增强功能促使SAM用于医疗图像细分
Xuanbo Zhao1, Cheng Wang1,2, Huaxing Xu3
1College of Intelligent Robotics and Advanced Manufacturing, College of Future Information Technology, College of Biomedical Engineering, Fudan University, Shanghai 200433, China.
Journal of imaging
|February 26, 2026
概括
这项研究引入了医疗图像细分的新框架,该框架使用特征提示,而不是严格的界限框. 这种方法提高了准确性,特别是在数据不足的情况下,为自动化细分提供了可靠的解决方案.
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:
- 医学成像中的基于标准分段任何模型 (SAM) 的方法使用明确的几何提示,如边界框.
- 这些刚性约束与复杂的,可变形的医疗结构作斗争,导致由于局部噪声导致的细分错误.
研究的目的:
- 引入一个新的框架,局部化蒸增强特征提示SAM (LDFSAM),以改进医疗图像细分.
- 从离散的坐标输入转移到潜在的特征,促使更强大的细分模式.
主要方法:
- LDFSAM采用一种通过局部蒸 (LD) 提炼的轻型提示发生器.
- 这个生成器将多级特征注入SAM解码器中,作为密集特征提示 (DFP) 和稀缺特征提示 (SFP).
- 该方法指导细分,而不依赖于明确的框框约束.
主要成果:
- 在四个公共基准 (3D CBCT牙,ISIC 2018,MMOTU,Kvasir-SEG) 上,LDFSAM取得了超过0.91的子得分.
- 该框架的性能优于之前基于SAM的基线和传统网络.
- 在低数据制度中观察到显著的绩效增长,在内部队列上显示出强大的概括性.
结论:
- 通过使用功能提示,LDFSAM提供了一种可靠的解决方案,用于自动化医疗图像细分.
- 该方法有效地克服了标准SAM方法中刚性空间约束的局限性.
- 它的强表现,特别是在数据稀缺的场景中,突出了其临床应用的潜力.
