基于SAM的腺体分割：将癌症分级作为提示

癌症分级是决定恶性肿瘤程度的关键临床标准。精准的腺体分割可助力更有效的癌症分级。机器学习中，腺体的二分类信息（良性与恶性）可作为分割提示。融合良恶性分类先验知识，模型可预测目标外观，从而提升分割性能。我们采用Segment Anything Model（SAM）解决分割任务，利用其提示功能并对模型结构与训练策略进行适当修改。我们改进了微调SAM的结果，凭借该方法实现SOTA性能。