医学分割的注释高效任务引导
计算机视觉与模式识别
2024-12-12 v1
摘要
医学图像分割是影像工作流程中的关键任务，影响许多基于图像的决策。传统的完全监督分割模型依赖于大量由手动标注获得的训练数据，这种过程既昂贵又耗时，还容易出错。这表明需要一种准确、自动且注释高效的训练方法。我们提出SAM-Mix，这是一个用于医学图像分割的新型多任务学习框架，该框架使用由辅助分类器产生的类激活图（class activation maps）指导半监督分割分支的预测，而该分割分支基于SAM框架。在公开的LiTS数据集上进行的实验评估确认了SAM-Mix在从腹部CT扫描中对肝脏进行同时分类和分割方面的有效性。当仅使用90%更少的epoch训练，仅使用50个标记的2D切片（仅占可用标记训练数据的0.04%）时，SAM-Mix相较于最佳基线模型实现了5.1%的Dice提升。SAM-Mix的泛化结果更为令人印象深刻，相同模型配置在跨域分割任务上实现了25.4%的Dice提升。我们的代码已提供：https://github.com/tbwa233/SAM-Mix
引用
@article{arxiv.2412.08575,
title = {Annotation-Efficient Task Guidance for Medical Segment Anything},
author = {Tyler Ward and Abdullah-Al-Zubaer Imran},
journal= {arXiv preprint arXiv:2412.08575},
year = {2024}
}