ASLseg：在循环中适配SAM用于半监督肝脏肿瘤分割
计算机视觉与模式识别
2024-05-21 v2
摘要
肝脏肿瘤分割对于计算机辅助诊断、手术规划和预后评估至关重要。然而，获取并维护一个带有密集标注的大规模数据集极具挑战性。半监督学习（SSL）是应对这些挑战的常用技术。最近，Segment Anything Model（SAM）在一些医学图像分割任务中展现出良好的性能，但在肝脏肿瘤分割方面表现不佳。在本文中，我们提出了一种新颖的半监督框架，名为ASLseg，它可以有效地将SAM适配到SSL设置中，并结合肝脏肿瘤的领域特定知识和通用知识。具体来说，通过特定SSL范式训练的分割模型提供生成的伪标签作为提示，输入到微调后的SAM。然后，使用一个适配网络来细化SAM的预测结果并生成更高质量的伪标签。最后，选择可靠的伪标签来扩展已标注集，以进行迭代训练。在LiTS数据集上的大量实验证明了我们的ASLseg具有压倒性的性能。
引用
@article{arxiv.2312.07969,
title = {ASLseg: Adapting SAM in the Loop for Semi-supervised Liver Tumor Segmentation},
author = {Shiyun Chen and Li Lin and Pujin Cheng and Xiaoying Tang},
journal= {arXiv preprint arXiv:2312.07969},
year = {2024}
}