SamDSK：将Segment Anything Model与领域知识结合用于医学图像分割中的半监督学习
计算机视觉与模式识别
2023-08-29 v1 人工智能
机器学习
摘要
Segment Anything Model (SAM)展现出对自然图像中广泛对象进行分割的能力，可作为各类下游图像分割任务的多功能感知工具。相比之下，医学图像分割任务通常依赖于领域特定知识(DSK)。本文提出一种新方法，将分割基础模型(即SAM)与领域特定知识相结合，以在构建医学图像分割模型时可靠地利用未标注图像。我们的新方法为迭代式，包含两个主要阶段：(1)分割模型训练；(2)利用训练好的分割模型、未标注集、SAM及领域特定知识扩充标注集。这两个阶段重复进行，直到标注集不再增加样本为止。我们开发了一种基于最优匹配的新方法，用于在迭代阶段(2)中将SAM生成的分割提案与像素级和图像级DSK结合，以构建未标注图像的标注。实验中，我们证明了所提方法在超声图像乳腺癌分割、内镜图像息肉分割以及皮肤镜图像皮肤病变分割中的有效性。我们的工作开启了医学图像分割半监督学习的新方向：分割基础模型可被用作医学图像分割中标签高效分割学习的宝贵工具。
引用
@article{arxiv.2308.13759,
title = {SamDSK: Combining Segment Anything Model with Domain-Specific Knowledge for Semi-Supervised Learning in Medical Image Segmentation},
author = {Yizhe Zhang and Tao Zhou and Shuo Wang and Ye Wu and Pengfei Gu and Danny Z. Chen},
journal= {arXiv preprint arXiv:2308.13759},
year = {2023}
}
备注
15 pages, 7 figures, Github: https://github.com/yizhezhang2000/SamDSK