EviPrompt：一种用于医学图像中 Segment Anything Model 的无训练证据提示生成方法
计算机视觉与模式识别
2023-11-14 v1
摘要
医学图像分割具有巨大的临床适用性，但尽管深度学习取得进展，仍是一项挑战。Segment Anything Model（SAM）在该领域展现出潜力，然而对专家干预的需求以及自然图像与医学图像间的领域鸿沟构成了显著障碍。本文引入一种名为 EviPrompt 的新型无训练证据提示生成方法以克服这些问题。所提方法基于医学图像固有的相似性，仅需单张参考图像-标注对，是一种无训练方案，显著减少了对大量标注与计算资源的需求。首先，为在医学图像中自动生成 SAM 的提示，我们引入一种基于不确定性估计、无需临床专家交互的证据方法。随后，我们将人类先验融入提示，这对缓解自然与医学图像间的领域鸿沟、提升 SAM 在医疗场景中的适用性与实用性至关重要。EviPrompt 代表了一种高效且鲁棒的医学图像分割途径，在广泛任务与模态上的评估证实了其有效性。
引用
@article{arxiv.2311.06400,
title = {EviPrompt: A Training-Free Evidential Prompt Generation Method for Segment Anything Model in Medical Images},
author = {Yinsong Xu and Jiaqi Tang and Aidong Men and Qingchao Chen},
journal= {arXiv preprint arXiv:2311.06400},
year = {2023}
}