MIAS-SAM：无需阈值化的医学图像异常分割
计算机视觉与模式识别
2025-05-30 v1 人工智能
机器学习
摘要
本文提出了 MIAS-SAM，一种用于医学图像异常区域分割的新方法。MIAS-SAM 使用基于图块的内存库来存储相关图像特征，这些特征是使用 SAM 编码器从正常数据中提取的。在推理时，将从 SAM 编码器提取的嵌入图块与内存库中的图块进行比较以获取异常图。最后，MIAS-SAM 计算异常图的重心以提示 SAM 解码器，从而从先前提取的特征中获得准确的分割。与先前的工作不同，MIAS-SAM 不需要定义阈值即可从异常图中获取分割。在三个公开可用的数据集（每个数据集具有不同的成像模态：脑部 MRI、肝脏 CT 和视网膜 OCT）上进行的实验结果表明，使用 DICE 分数衡量出了准确的异常分割能力。代码可在以下地址获取：https://github.com/warpcut/MIAS-SAM
引用
@article{arxiv.2505.22762,
title = {MIAS-SAM: Medical Image Anomaly Segmentation without thresholding},
author = {Marco Colussi and Dragan Ahmetovic and Sergio Mascetti},
journal= {arXiv preprint arXiv:2505.22762},
year = {2025}
}