SAM-Path：面向数字病理语义分割的 Segment Anything 模型
图像与视频处理
2023-07-20 v1 计算机视觉与模式识别
摘要
病理实体的语义分割在计算病理工作流中具有关键临床价值。基础模型，如 Segment Anything Model（SAM），近期被提出用于分割任务的通用应用。SAM 在自然图像的实例分割上展现出显著潜力。然而，由于以下因素，SAM 对计算病理任务的适用性受限：（1）SAM 训练所用病理数据集不全面；（2）SAM 的设计并非固有地针对语义分割任务优化。本工作中，我们通过引入可训练类别提示来使 SAM 适应语义分割，随后通过加入病理编码器（具体为一个病理基础模型）进一步增强。我们的框架 SAM-Path 无需人工输入提示即可增强 SAM 在数字病理中进行语义分割的能力。通过在两个公开病理数据集 BCSS 和 CRAG 上的实验，我们证明带可训练类别提示的微调在 Dice 分数上优于带人工提示与后处理的原始 SAM 达 27.52%，在 IOU 上优于 71.63%。在这两个数据集上，所提出的额外病理基础模型进一步在 Dice 分数上取得 5.07% 至 5.12% 的相对提升，在 IOU 上取得 4.50% 至 8.48% 的相对提升。
引用
@article{arxiv.2307.09570,
title = {SAM-Path: A Segment Anything Model for Semantic Segmentation in Digital Pathology},
author = {Jingwei Zhang and Ke Ma and Saarthak Kapse and Joel Saltz and Maria Vakalopoulou and Prateek Prasanna and Dimitris Samaras},
journal= {arXiv preprint arXiv:2307.09570},
year = {2023}
}
备注
Submitted to MedAGI 2023