用于肿瘤病灶语义分割的掩码增强 Segment Anything 模型
图像与视频处理
2024-07-12 v2 计算机视觉与模式识别
摘要
CT 或 MRI 图像上的肿瘤病灶分割在癌症诊断和治疗计划中起着至关重要的作用。考虑到不同医学成像模态和设备之间肿瘤病灶分割数据的固有差异，将医学知识融入 Segment Anything Model (SAM) 因其多功能性和泛化潜力而展现出广阔前景。最近的研究试图通过在大规模医学分割数据集上进行预训练来增强 SAM 的医学专业知识。然而，由于肿瘤的复杂性以及前景和背景区域的不平衡，3D 肿瘤病灶分割仍存在挑战。因此，我们引入了 Mask-Enhanced SAM (M-SAM)，这是一种专为 3D 肿瘤病灶分割设计的创新架构。我们在 M-SAM 中提出了一种新颖的掩码增强适配器 (MEA)，它利用粗略分割掩码的位置数据丰富医学图像的语义信息，从而促进生成更精确的分割掩码。此外，M-SAM 中实施了一种迭代细化方案，以逐步细化分割掩码，从而提高性能。在七个肿瘤病灶分割数据集上的大量实验表明，我们的 M-SAM 不仅实现了高分割精度，还表现出强大的泛化能力。代码可在 https://github.com/nanase1025/M-SAM 获取。
引用
@article{arxiv.2403.05912,
title = {Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation},
author = {Hairong Shi and Songhao Han and Shaofei Huang and Yue Liao and Guanbin Li and Xiangxing Kong and Hua Zhu and Xiaomu Wang and Si Liu},
journal= {arXiv preprint arXiv:2403.05912},
year = {2024}
}