探索 SAM 消融实验以增强放射学与病理学中的医学分割
计算机视觉与模式识别
2023-10-03 v1 机器学习
摘要
医学影像在各种医疗条件的诊断和治疗规划中起着关键作用，放射学和病理学高度依赖精确的图像分割。Segment Anything Model（SAM）已成为应对不同领域分割挑战的有前景的框架。在本白皮书中，我们深入剖析 SAM，拆解其基础组件并揭示它们之间的复杂交互。我们还探索 SAM 的微调，并评估其对分割结果准确性和可靠性的深远影响，重点关注放射学（具体而言，脑肿瘤分割）和病理学（具体而言，乳腺癌分割）中的应用。通过一系列精心设计的实验，我们分析 SAM 在医学影像领域的潜在应用。我们旨在弥合先进分割技术与医疗严苛需求之间的差距，阐明 SAM 的变革性能力。
引用
@article{arxiv.2310.00504,
title = {Exploring SAM Ablations for Enhancing Medical Segmentation in Radiology and Pathology},
author = {Amin Ranem and Niklas Babendererde and Moritz Fuchs and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2310.00504},
year = {2023}
}