增强 Segment Anything Model 在自动提示医学图像分割中的可靠性：基于不确定性校正
计算机视觉与模式识别
2024-03-19 v3
摘要
Segment Anything Model（SAM）近期作为驱动提示图像分割任务的突破性基础模型而出现。然而，原始 SAM 及其医学变体均需对目标结构逐层手动提示，这直接增加了应用负担。尽管已有自动提示的尝试将 SAM 转为全自动化方式，其性能仍欠佳且在医学影像领域缺乏可靠性。本文提出 UR-SAM，一种不确定性校正的 SAM 框架，以增强自动提示医学图像分割的可靠性。基于用于自动提示生成的定位框架，我们的方法引入提示增强模块以获取一系列输入提示供 SAM 进行不确定性估计，并引入基于不确定性的校正模块进一步利用估计不确定性的分布来提升分割性能。在两个涵盖 35 个器官分割的公共 3D 医学数据集上的大量实验表明，无需额外训练或微调，我们的方法进一步将骰子相似系数提升了至多 10.7% 与 13.8%，展示了在无手动提示下医学图像分割的效率与广泛能力。
引用
@article{arxiv.2311.10529,
title = {Enhancing the Reliability of Segment Anything Model for Auto-Prompting Medical Image Segmentation with Uncertainty Rectification},
author = {Yichi Zhang and Shiyao Hu and Sijie Ren and Chen Jiang and Yuan Cheng and Yuan Qi},
journal= {arXiv preprint arXiv:2311.10529},
year = {2024}
}