MedSAM-U：基于不确定性引导的自适应多提示医学分割模型
计算机视觉与模式识别
2024-09-04 v1
摘要
医学分割 anything 模型（MedSAM）在医学图像分割中展现出卓越的性能，受到领域内广泛关注。然而，其对不同提示类型和位置的敏感性提出了挑战。本文聚焦于开发可靠的提示以提高 MedSAM 的准确性。我们引入 MedSAM-U，一个不确定性引导的框架，用于自动细化多提示输入，以实现更可靠和精确的医学图像分割。具体而言，我们首先训练一个集成 MedSAM 的多提示适配器，构建 MPA-MedSAM，以适应多样化的多提示输入。随后采用不确定性引导的多提示技术，有效估计提示及其初始分割结果的不确定性。特别地，应用新颖的不确定性引导提示适应技术，自动推导出可靠的提示及其对应的分割结果。我们使用多个模态数据集验证了 MedSAM-U，以训练通用图像分割模型。与 MedSAM 相比，在五个不同模态数据集上的实验结果表明，所提出的 MedSAM-U 在不确定性引导的提示下实现了平均性能提升达 1.7%至 20.5%。
引用
@article{arxiv.2409.00924,
title = {MedSAM-U: Uncertainty-Guided Auto Multi-Prompt Adaptation for Reliable MedSAM},
author = {Nan Zhou and Ke Zou and Kai Ren and Mengting Luo and Linchao He and Meng Wang and Yidi Chen and Yi Zhang and Hu Chen and Huazhu Fu},
journal= {arXiv preprint arXiv:2409.00924},
year = {2024}
}
备注
10 pages, 4 figures