基于蒙特卡洛引导插值一致性的半监督前列腺区分割模型 MCICSAM

准确分割前列腺 various regions within the prostate 对诊断和治疗前列腺相关疾病至关重要。然而，标注数据的稀缺，尤其是在前列腺成像等专业医学领域，是一个显著挑战。Segment Anything Model (SAM) 是一种用于自然图像分割的新型大模型，但在医学成像领域存在一些挑战。为更好地利用 SAM 的强大特征提取能力，并解决医学图像标注数据量不足的问题，我们使用 Low-Rank Adaptation (LoRA) 和蒙特卡洛引导插值一致性 (MCIC) 的半监督学习方法来增强微调后的 SAM。我们提出一种用于前列腺区域分割的蒙特卡洛引导插值一致性 Segment Anything Model (MCICSAM)。在无标签数据 section 中，MCIC 对输入数据执行两种不同的插值变换，并在输出中引入蒙特卡洛不确定性分析，迫使模型在其预测结果上保持一致。对这些插值样本施加的一致性约束允许模型更好地适应无标签数据的分布，从而在半监督场景中提高性能。我们使用 Dice 系数和 95th 百分位 Hausdorff Distance (HD95) 来验证模型性能。MCICSAM 在前列腺区分割中分别获得 Dice 为 79.38% 和 89.95%，HD95 分别改善为 3.12 和 2.27。同时，MCICSAM 显示出强大的鲁棒性。该方法有望为前列腺图像分割领域带来新的可能性。