ClickSAM: 使用点击提示微调 Segment Anything Model 用于超声图像分割

新发布的 Segment Anything Model (SAM) 因其卓越的分割精度、多样的输入提示、训练能力以及高效的模型设计，成为图像处理中广泛使用的工具。然而，其当前模型是在多样化数据集上训练的，并非针对医学图像，尤其是超声图像量身定制。超声图像通常包含大量噪声，使得分割出重要结构变得困难。在本项目中，我们开发了 ClickSAM，它使用点击提示对超声图像的 Segment Anything Model 进行微调。ClickSAM 包含两个训练阶段：第一阶段在以真实轮廓为中心的单点击提示上进行训练，第二阶段则通过额外的正负点击提示来提升模型性能。通过将第一阶段的预测结果与真实掩膜进行比较，计算出真正例、假正例和假负例分割块。使用真正例和假负例分割块生成正点击，使用假正例分割块生成负点击。随后采用 Centroidal Voronoi Tessellation 算法在每个分割块中收集正负点击提示，用于在第二阶段训练中增强模型性能。凭借点击训练方法，ClickSAM 在超声图像分割上展现出优于其他现有模型的性能。