Segment Anything Model用于交互式组织病理学图像分割的评估与改进
计算机视觉与模式识别
2023-10-17 v1
摘要
随着Segment Anything Model（SAM）作为图像分割基础模型的出现，其应用已在包括医学在内的多个领域被广泛研究。然而，其在组织病理学数据（特别是区域分割）方面的潜力受到的关注相对有限。本文中，我们评估了SAM在组织病理学数据上零样本与微调场景下的性能，重点关注交互式分割。此外，我们将SAM与其他最先进的交互式模型比较，以评估其实际潜力并考察其具域适应性的泛化能力。实验结果显示，SAM在分割性能上弱于其他模型，而在推理时间与泛化能力上具相对优势。为改善SAM有限的局部细化能力并增强提示稳定性，同时保留其核心优势，我们提出了对SAM解码器的修改。实验结果表明，所提修改能有效使SAM适用于交互式组织学图像分割。代码见\url{https://github.com/hvcl/SAM_Interactive_Histopathology}
引用
@article{arxiv.2310.10493,
title = {Evaluation and improvement of Segment Anything Model for interactive histopathology image segmentation},
author = {SeungKyu Kim and Hyun-Jic Oh and Seonghui Min and Won-Ki Jeong},
journal= {arXiv preprint arXiv:2310.10493},
year = {2023}
}
备注
MICCAI 2023 workshop accepted (1st International Workshop on Foundation Models for General Medical AI - MedAGI)