交互式医学图像分割：基准数据集与基线
计算机视觉与模式识别
2024-11-26 v2
摘要
交互式医学图像分割（IMIS）长期以来一直受限于大规模、多样化和密集标注数据集的缺乏，这阻碍了模型的泛化以及不同模型间的一致评估。在本文中，我们引入了 IMed-361M 基准数据集，这是通用 IMIS 研究的一项重大进展。首先，我们从多个数据源收集并标准化了超过 640 万张医学图像及其对应的真实掩码。然后，利用视觉基础模型强大的目标识别能力，我们为每张图像自动生成了密集的交互式掩码，并通过严格的质量控制和粒度管理确保了其质量。与以往受限于特定模态或稀疏标注的数据集不同，IMed-361M 涵盖了 14 种模态和 204 个分割目标，共计 3.61 亿个掩码——平均每张图像 56 个掩码。最后，我们在此数据集上开发了一个 IMIS 基线网络，该网络支持通过交互式输入（包括点击、边界框、文本提示及其组合）生成高质量掩码。我们从多个角度评估了其在医学图像分割任务上的性能，证明了与现有的交互式分割模型相比，其具有卓越的准确性和可扩展性。为了促进医学计算机视觉基础模型的研究，我们在 https://github.com/uni-medical/IMIS-Bench 发布了 IMed-361M 和模型。
引用
@article{arxiv.2411.12814,
title = {Interactive Medical Image Segmentation: A Benchmark Dataset and Baseline},
author = {Junlong Cheng and Bin Fu and Jin Ye and Guoan Wang and Tianbin Li and Haoyu Wang and Ruoyu Li and He Yao and Junren Chen and Jingwen Li and Yanzhou Su and Min Zhu and Junjun He},
journal= {arXiv preprint arXiv:2411.12814},
year = {2024}
}