SAM 承载重任：一种用于医学分割的伪标签精炼半监督方法
计算机视觉与模式识别
2024-11-20 v1
摘要
语义分割是医学成像中的一项关键任务。尽管监督学习技术已被证明在执行此任务时行之有效，但它们严重依赖大量标注训练数据。最近引入的 Segment Anything Model (SAM) 实现了基于提示的分割，并对陌生物体具备零样本泛化能力。在我们的工作中，我们利用 SAM 抽象的物体理解能力进行医学图像分割，为半监督学习提供伪标签，从而缓解对大量标注训练数据的需求。我们的方法通过提取边界框和种子点作为提示转发给 SAM，来精炼从少量标注数据（最多包含 43 个病例）中导出的初始分割。因此，它能够生成密集的分割掩码作为未标记数据的伪标签。结果表明，使用我们的伪标签进行训练，在小儿腕骨和牙科X光片牙齿的分割任务中，Dice 分数分别从 提升至 ，以及从 提升至 。因此，我们的方法优于基于强度的后处理方法、用于分割的 SOTA 监督学习 (nnU-Net) 以及半监督均值教师方法。我们的代码已在 GitHub 上开源。
引用
@article{arxiv.2411.12602,
title = {SAM Carries the Burden: A Semi-Supervised Approach Refining Pseudo Labels for Medical Segmentation},
author = {Ron Keuth and Lasse Hansen and Maren Balks and Ronja Jäger and Anne-Nele Schröder and Ludger Tüshaus and Mattias Heinrich},
journal= {arXiv preprint arXiv:2411.12602},
year = {2024}
}
备注
Presented at MICCAI Workshop on Advancing Data Solutions in Medical Imaging AI 2024; Code and data: https://github.com/multimodallearning/SamCarriesTheBurden