BiSeg-SAM：用于提升分割模型中二值分割的弱监督后处理框架

对结肠息肉和皮肤病变的准确分割是诊断结肠癌和皮肤癌的关键所在。虽然已develop了 various针对结肠息肉和皮肤病变的分割方法，均采用全监督深度学习技术，但医生对医学图像的像素级标注既耗时又昂贵。基础视觉模型如分割什么模型（SAM）已显示出优异性能；然而，直接将SAM应用于医学分割可能无法获得令人满意的结果，due to缺乏针对医学领域的特定知识。在本文中，我们提出BiSeg-SAM，一种引导SAM的弱监督提示和边界细化网络，用于结肠息肉和皮肤病变的分割。具体而言，我们对SAM结合CNN模块进行微调，以学习局部特征。我们引入WeakBox模块，具有两个功能：自动生成用于SAM模型的框提示，以及使用我们提出的多选掩码到框（MM2B）转换进行粗糙的掩码到框转换，以解决粗标签与精确预测之间的不匹配。此外，我们应用尺度一致性（SC）损失进行预测尺度对齐。我们的DetailRefine模块通过利用有限amount的ground truth标签来细化粗糙预测，从而增强边界精度和分割准确性。这一综合方法使BiSeg-SAM能够实现卓越的多任务分割性能。我们的方法在测试了五个结肠息肉数据集和一个皮肤癌数据集后，显示出对state-of-the-art（SOTA）方法的显著优势。