随时、随地、任何人：探究 Segment Anything Model 用于众包医学图像标注的可行性
计算机视觉与模式识别
2024-03-25 v1 人工智能
机器学习
摘要
为医学图像分割整理标注是一项劳动密集且耗时的工作，需要领域专业知识，这导致深度学习（DL）模型“狭隘”聚焦，转化效用有限。近来，像 Segment Anything Model（SAM）这样的基础模型以其在包括医学成像在内的各个领域中卓越的零样本泛化能力彻底改变了语义分割，并为简化标注流程带来了巨大希望。然而，SAM 尚未在众包环境中进行评估，以整理用于训练 3D DL 分割模型的标注。在这项工作中，我们探索了 SAM 从非专家处众包“稀疏”标注以生成“密集”分割掩码的潜力，用于训练最先进的 DL 分割模型 3D nnU-Net。我们的结果表明，虽然 SAM 生成的标注与真实标注相比表现出较高的平均 Dice 分数，但在 SAM 生成的标注上训练的 nnU-Net 模型，其性能显著差于在真实标注上训练的 nnU-Net 模型（，全部）。
引用
@article{arxiv.2403.15218,
title = {Anytime, Anywhere, Anyone: Investigating the Feasibility of Segment Anything Model for Crowd-Sourcing Medical Image Annotations},
author = {Pranav Kulkarni and Adway Kanhere and Dharmam Savani and Andrew Chan and Devina Chatterjee and Paul H. Yi and Vishwa S. Parekh},
journal= {arXiv preprint arXiv:2403.15218},
year = {2024}
}