超越像素级监督的医学图像分割：从传统模型到基础模型
计算机视觉与模式识别
2024-04-23 v1
摘要
医学图像分割在许多图像引导的临床方法中发挥着重要作用。然而，现有的分割算法大多依赖完全标注图像（具有像素级标注）进行训练，这在医学成像领域尤其困难，因为只有专家才能提供可靠且准确的标注，这种做法既代价高昂又需要专业知识。为缓解这一挑战，越来越多的研究关注开发能够使用弱标注（如图像级标注、边界框、草图和点）训练深度模型的分割方法。视觉基础模型（尤其是Segment Anything Model, SAM）的出现，引入了利用弱标注实现可提示分割的创新能力，这得益于大规模预训练。将基础模型与传统学习方法结合使用日益受到学术界的关注，并在实际应用中展现出潜力。本文综述了在基础模型时代之前及其期间，针对医学图像分割的注释效率学习的最新进展。此外，我们分析并讨论了现有方法面临的若干挑战，我们认为这些挑战将为引导基础模型进一步发展医学图像分割领域提供有价值的指导。
引用
@article{arxiv.2404.13239,
title = {Beyond Pixel-Wise Supervision for Medical Image Segmentation: From Traditional Models to Foundation Models},
author = {Yuyan Shi and Jialu Ma and Jin Yang and Shasha Wang and Yichi Zhang},
journal= {arXiv preprint arXiv:2404.13239},
year = {2024}
}