SAM-OCTA：基于提示的 Segment-Anything 用于 OCTA 图像分割
机器学习
2024-03-21 v2
摘要
分割特定目标或生物标志物是分析光学相干断层扫描血管成像（OCTA）图像的必要步骤。以往方法通常分割 OCTA 样本中的所有目标，例如视网膜血管（RVs）。尽管这些方法在准确率和精度上表现良好，但 OCTA 分析常聚焦于图像内的局部信息，这一点尚未得到满足。本文中，我们提出一种称为 SAM-OCTA 的方法，用于 OCTA 图像中的局部分割。该方法使用低秩适应（LoRA）微调预训练的 segment anything model（SAM），并利用提示点进行 OCTA 中局部 RVs、动脉和静脉的分割。为探究提示点的效果与机制，我们设置了全局与局部分割模式，并采用两种提示点生成策略，即随机选取与特殊标注。考虑到实际使用，我们开展了不同模型尺度的扩展实验，并分析了微调前后模型在通用分割任务之外的性能。基于 OCTA-500 数据集的综合实验结果表明，我们的 SAM-OCTA 方法在 RV 与 FAZ 相关的常见 OCTA 分割任务中取得了最先进的性能，并且对动脉-静脉与局部血管也实现了准确分割。代码已发布于 https://github.com/ShellRedia/SAM-OCTA-extend。
引用
@article{arxiv.2310.07183,
title = {SAM-OCTA: Prompting Segment-Anything for OCTA Image Segmentation},
author = {Xinrun Chen and Chengliang Wang and Haojian Ning and Shiying Li and Mei Shen},
journal= {arXiv preprint arXiv:2310.07183},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2309.11758