RadSAM：用于分割 3D 放射学图像的 2D 可提示模型
计算机视觉与模式识别
2025-04-30 v1 人工智能
机器学习
摘要
医学图像分割是临床护理中至关重要且耗时的任务，分割精度至关重要。Segment Anything Model (SAM) 提供了一种有前景的ethods，作为其基于视觉提示和编辑的交互界面来细化初始分割。该模型具有强大的泛化能力，不依赖于预定义的类别，并且能够适应多样化的对象；然而，它是在自然图像上预训练的，无法有效处理医学数据。此外，该模型为 2D 图像构建的，而医学领域的许多应用基于 3D 图像，如 CT 和 MRI。最近的一些医学成像 SAM 适应方法基于 2D 模型，因而需要为每个切片提供一个提示才能分割 3D 对象，使得分割过程繁琐。它们也缺乏诸如编辑等重要功能。为弥合这一差距，我们提出了 RadSAM，这是一种使用单个提示对 3D 对象进行分割的 2D 模型方法。实际上，我们使用带噪声掩码作为初始提示，除此之外还包括边界框和点，在此基础上训练一个 2D 模型。然后，我们使用这种新颖的提示类型配合迭代推理管道来逐层重建 3D 掩码。我们引入了一个基准，用于评估模型从单个提示分割 3D 对象的能力，并评估了模型在跨域迁移和编辑方面的能力。我们在使用 AMOS 腹部器官分割数据集进行基准测试时，展示了我们方法在该基准上相对于最先进模型的有效性。
引用
@article{arxiv.2504.20837,
title = {RadSAM: Segmenting 3D radiological images with a 2D promptable model},
author = {Julien Khlaut and Elodie Ferreres and Daniel Tordjman and Hélène Philippe and Tom Boeken and Pierre Manceron and Corentin Dancette},
journal= {arXiv preprint arXiv:2504.20837},
year = {2025}
}