形态学增强的 CAM 引导 SAM 用于弱监督乳腺病灶分割
计算机视觉与模式识别
2024-05-24 v2 人工智能
机器学习
摘要
超声成像在乳腺癌早期检测中起着关键作用。准确识别和分割病灶是临床实践中的重要步骤，需要方法来辅助医生进行病灶分割。然而，基于监督学习的超声病灶分割模型需要大量人工标注，既耗时又费力。在本研究中，我们提出了一种用于早期乳腺超声图像弱监督病灶分割的新框架。我们的方法采用形态学增强和类激活图（class activation map, CAM）引导的定位。最后，我们使用计算机视觉基础模型 Segment Anything Model（SAM）进行精细分割。该方法不需要像素级标注，从而降低了数据标注成本。我们的方法性能与需要人工标注的监督学习方法相当，在 BUSI 数据集上达到了 74.39% 的 Dice 分数，并在 Hausdorff 距离上优于对比的监督模型。这些结果表明，我们的框架有效地将弱监督学习与 SAM 相结合，为乳腺癌图像分析提供了一种有前景的解决方案。本研究的代码可在 https://github.com/YueXin18/MorSeg-CAM-SAM 获取。
引用
@article{arxiv.2311.11176,
title = {Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion Segmentation},
author = {Xin Yue and Xiaoling Liu and Qing Zhao and Jianqiang Li and Changwei Song and Suqin Liu and Zhikai Yang and Guanghui Fu},
journal= {arXiv preprint arXiv:2311.11176},
year = {2024}
}