Segment Anything Model (SAM) 在数字病理中的应用：全切片图像零样本分割评估
图像与视频处理
2023-04-11 v1 计算机视觉与模式识别
摘要
Segment Anything Model（SAM）作为图像分割的基础模型发布。该可提示分割模型在1100万张获许可且尊重隐私的图像上以超过10亿个掩码进行训练。该模型支持使用多种分割提示（如点、框、掩码）进行零样本图像分割。这使得SAM在医学图像分析中具有吸引力，尤其是在训练数据稀缺的数字病理领域。在本研究中，我们评估了SAM模型在全切片图像（WSI）上代表性分割任务的零样本分割性能，包括（1）肿瘤分割，（2）非肿瘤组织分割，（3）细胞核分割。核心结果：结果表明，零样本SAM模型对大型连通对象取得了显著的分割性能。然而，即便每幅图像使用20个提示（点击/框），其对于密集实例对象分割并未持续取得令人满意的性能。我们还总结了数字病理中已识别的局限性：（1）图像分辨率，（2）多尺度，（3）提示选择，以及（4）模型微调。未来，利用下游病理分割任务图像进行少样本微调可能有助于模型在密集对象分割中取得更好性能。
引用
@article{arxiv.2304.04155,
title = {Segment Anything Model (SAM) for Digital Pathology: Assess Zero-shot Segmentation on Whole Slide Imaging},
author = {Ruining Deng and Can Cui and Quan Liu and Tianyuan Yao and Lucas W. Remedios and Shunxing Bao and Bennett A. Landman and Lee E. Wheless and Lori A. Coburn and Keith T. Wilson and Yaohong Wang and Shilin Zhao and Agnes B. Fogo and Haichun Yang and Yucheng Tang and Yuankai Huo},
journal= {arXiv preprint arXiv:2304.04155},
year = {2023}
}