针对噪声医学图像上 SAM 的假阴性/假阳性控制
计算机视觉与模式识别
2023-08-22 v1 人工智能
摘要
Segment Anything Model（SAM）是近期开发的用于图像分割的通用基础模型。它可利用边界框等稀疏人工提示在自然图像中生成像素级分割，但在低对比度、含噪超声等医学图像中表现不佳。我们提出一种精炼的测试阶段提示增强技术，旨在提升 SAM 在医学图像分割中的性能。该方法结合多框提示增强与基于偶然不确定性的假阴性（FN）和假阳性（FP）校正（FNPC）策略。我们在两个超声数据集上评估该方法，显示出 SAM 性能及对不准确提示鲁棒性的提升，且无需进一步训练或调参。此外，我们提出单切片到体积（SS2V）方法，仅使用单张 2D 切片的边界框标注即可实现 3D 像素级分割。我们的结果使得 SAM 即便在噪声、低对比度医学图像中也能高效使用。源代码将很快发布。
引用
@article{arxiv.2308.10382,
title = {False Negative/Positive Control for SAM on Noisy Medical Images},
author = {Xing Yao and Han Liu and Dewei Hu and Daiwei Lu and Ange Lou and Hao Li and Ruining Deng and Gabriel Arenas and Baris Oguz and Nadav Schwartz and Brett C Byram and Ipek Oguz},
journal= {arXiv preprint arXiv:2308.10382},
year = {2023}
}