SAMIHS：面向颅内出血分割的Segment Anything Model适配
图像与视频处理
2023-11-15 v1 计算机视觉与模式识别
机器学习
摘要
Segment Anything Model (SAM)是一个在大规模标注上训练的视觉基础模型，近来在医学图像分割领域持续引发关注。尽管SAM在自然场景上能力惊人，但面对医学图像(尤其是涉及模糊边界和低对比度高度不规则区域者)时性能下降。本文提出一种基于SAM的参数高效微调方法SAMIHS，用于颅内出血分割，这是卒中诊断和手术规划中关键且具挑战的一步。与先前SAM及基于SAM的方法不同，SAMIHS将参数重构适配器嵌入SAM的图像编码器中，并考虑适配器参数的高效灵活利用。此外，我们采用结合二元交叉熵损失与边界敏感损失的组合损失，以增强SAMIHS识别边界区域的能力。我们在两个公开数据集上的实验结果证明了所提方法的有效性。代码见 https://github.com/mileswyn/SAMIHS 。
引用
@article{arxiv.2311.08190,
title = {SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage Segmentation},
author = {Yinuo Wang and Kai Chen and Weimin Yuan and Cai Meng and XiangZhi Bai},
journal= {arXiv preprint arXiv:2311.08190},
year = {2023}
}
备注
5 pages, 3 figures, 2 tables