SAS：超声中的小目标任意分割——一种用于超声成像鲁棒深度学习的非生成式数据增强技术
图像与视频处理
2025-03-11 v1 人工智能
计算机视觉与模式识别
摘要
由于噪声和成像条件（例如探头位置、患者解剖结构、组织特性与病理）的变异性，对超声（US）图像中的解剖结构（尤其是微小结构）进行精确分割具有挑战性。为解决此问题，我们提出了 Segment Anything Small（SAS），这是一种简单而有效的尺度与纹理感知数据增强技术，旨在提升深度学习模型在超声图像中分割微小解剖结构的性能。SAS 采用双重变换策略：（1）通过缩放并将器官缩略图嵌入黑色背景来模拟多样的器官尺度；（2）在感兴趣区域内注入噪声以模拟不同的组织纹理。这些变换在不引入幻觉或伪影的情况下生成了逼真且多样的训练数据，提升了模型对噪声和变异性的鲁棒性。我们在受控的器官特异性医学成像数据集上对可提示的基础模型进行了微调，并在一个内部和五个外部数据集上评估了其性能。实验结果表明，分割性能有显著提升，Dice 分数最高提升 0.35，平均提升 0.16 [95% CI 0.132,0.188]。此外，我们的迭代点提示提供了精确的控制和自适应细化，仅需两个点即可达到与边界框提示相当的性能。SAS 增强了模型在多种解剖结构和成像条件下的鲁棒性与泛化能力，尤其是对于微小结构，同时不损害较大结构的准确性。通过提供一种计算高效的解决方案，免除了大量人工标注工作，SAS 成为推进医学图像分析的有力工具，特别是在资源受限的环境中。
引用
@article{arxiv.2503.05916,
title = {SAS: Segment Anything Small for Ultrasound -- A Non-Generative Data Augmentation Technique for Robust Deep Learning in Ultrasound Imaging},
author = {Danielle L. Ferreira and Ahana Gangopadhyay and Hsi-Ming Chang and Ravi Soni and Gopal Avinash},
journal= {arXiv preprint arXiv:2503.05916},
year = {2025}
}
备注
25 pages, 8 figures