医学图像中分割一切模型的高效量化感知训练与部署
计算机视觉与模式识别
2024-12-17 v1 人工智能
摘要
医学图像分割是临床实践的关键组成部分，最先进的MedSAM模型已显著推动了这一领域的发展。然而，批评指出MedSAM在推理过程中需要大量计算资源。为解决此问题，CVPR 2024 MedSAM on Laptop Challenge应运而生，旨在寻找准确率与处理速度之间的最优平衡。本文提出了一种量化感知训练流水线，旨在高效地对医学图像的分割一切模型进行量化，并使用OpenVINO推理引擎进行部署。该流水线优化了训练时间和磁盘存储。实验结果证实，该方法相较于基线显著提升了处理速度，同时仍达到了可接受的准确率水平。训练脚本、推理脚本和量化模型可在https://github.com/AVC2-UESTC/QMedSAM公开获取。
引用
@article{arxiv.2412.11186,
title = {Efficient Quantization-Aware Training on Segment Anything Model in Medical Images and Its Deployment},
author = {Haisheng Lu and Yujie Fu and Fan Zhang and Le Zhang},
journal= {arXiv preprint arXiv:2412.11186},
year = {2024}
}
备注
14 pages, 3 figures, to be published in LNCS