利用SAM进行医学图像分割中的单源域泛化
计算机视觉与模式识别
2024-01-05 v1
摘要
域泛化旨在减少域之间的域偏移，以在未见过的目标域上取得良好性能，已广泛应用于医学图像分割。单源域泛化是最具挑战性的设置，仅在一个源域上训练。尽管现有方法在医学图像分割的单源域泛化上取得了显著进展，但面对较大的域偏移时，性能仍远未达到应用标准。本文中，我们利用Segment Anything Model (SAM) 进行单源域泛化，以大幅提升泛化能力。具体地，我们引入一个并行框架，源图像分别送入SAM模块和常规分割模块。为减少计算资源，我们在将图像送入SAM模块前应用合并策略。我们从分割模块提取边界框，并将精炼后的版本作为提示送入SAM模块。我们在经典域泛化数据集上评估模型，与其他最先进的域泛化方法相比取得了有竞争力的结果。此外，我们进行了一系列消融实验以证明所提方法的有效性。代码公开于https://github.com/SARIHUST/SAMMed。
引用
@article{arxiv.2401.02076,
title = {Leveraging SAM for Single-Source Domain Generalization in Medical Image Segmentation},
author = {Hanhui Wang and Huaize Ye and Yi Xia and Xueyan Zhang},
journal= {arXiv preprint arXiv:2401.02076},
year = {2024}
}