基于 SAM 生成注释的医学图像分割
计算机视觉与模式识别
2024-10-01 v1
摘要
医学图像分割领域受限于大规模公开标注数据集的稀缺。并非所有数据集因隐私原因都不公开，创建大型数据集的标注工作耗时且昂贵，需要专业知识准确识别图像中的感兴趣区域（ROI）。为此，我们评估了 Segment Anything Model（SAM）作为医学数据标注工具的性能，通过其在医学分割竞赛（MSD）计算器生理扫描（CT）任务上生成所谓的“伪标签”。随后将这些伪标签以弱监督方式用于训练 UNet 模型。我们实验不同的提示类型，发现边界框提示是一种简单而有效的伪标签生成方法。该方法使我们能够开发出与完全监督模型相当的弱监督模型。
引用
@article{arxiv.2409.20253,
title = {Medical Image Segmentation with SAM-generated Annotations},
author = {Iira Häkkinen and Iaroslav Melekhov and Erik Englesson and Hossein Azizpour and Juho Kannala},
journal= {arXiv preprint arXiv:2409.20253},
year = {2024}
}
备注
Accepted to the European Conference on Computer Vision (ECCVW) Workshops 2024