SQA-SAM：利用 Segment Anything Model 进行医学图像分割质量评估
图像与视频处理
2023-12-18 v1 计算机视觉与模式识别
机器学习
摘要
分割质量评估（SQA）在基于医学图像的 AI 系统部署中发挥着关键作用。每当 AI 系统生成不可靠或不正确的预测时，都需要告知或提醒用户。随着通用基础分割模型 Segment Anything Model（SAM）的引入，如何利用 SAM 进行医学图像分割涌现了新的研究机遇。在本文中，我们提出了一种名为 SQA-SAM 的新型 SQA 方法，该方法利用 SAM 来提升医学图像分割质量评估的准确性。当医学图像分割模型（MedSeg）对测试图像生成预测时，我们基于这些预测生成视觉提示，并利用 SAM 生成与这些视觉提示相对应的分割图。MedSeg 的分割与 SAM 的分割之间的吻合程度，反映了 MedSeg 的分割与对客观性和图像区域划分的普遍感知之间的吻合程度。我们为此吻合度开发了一种评分度量。在实验中，我们发现生成的评分与反映真实分割质量的 Dice 系数评分呈现出中等至强烈的正相关（在 Pearson 相关系数和 Spearman 相关系数方面）。
引用
@article{arxiv.2312.09899,
title = {SQA-SAM: Segmentation Quality Assessment for Medical Images Utilizing the Segment Anything Model},
author = {Yizhe Zhang and Shuo Wang and Tao Zhou and Qi Dou and Danny Z. Chen},
journal= {arXiv preprint arXiv:2312.09899},
year = {2023}
}
备注
Work in progress;