UniverSeg：通用医学图像分割
计算机视觉与模式识别
2023-04-14 v1 机器学习
摘要
尽管深度学习模型已成为医学图像分割的主流方法，它们通常无法泛化到涉及新解剖结构、图像模态或标签的未知分割任务。给定一个新的分割任务，研究人员通常需要训练或微调模型，这耗时且对临床研究人员构成了实质性障碍，他们往往缺乏训练神经网络的资源和专业知识。我们提出UniverSeg，一种无需额外训练即可解决未知医学分割任务的方法。给定查询图像和定义新分割任务的示例图像-标签对集合，UniverSeg采用一种新的Cross-Block机制生成准确的分割图，无需额外训练。为实现对新任务的泛化，我们收集并标准化了53个开放获取医学分割数据集（超过22,000次扫描）的集合，称之为MegaMedical。我们使用该集合在多样的解剖结构和成像模态上训练UniverSeg。我们证明UniverSeg在未知任务上大幅优于几种相关方法，并深入分析了所提系统的重要方面并得出见解。UniverSeg源代码和模型权重可在https://universeg.csail.mit.edu免费获取。
引用
@article{arxiv.2304.06131,
title = {UniverSeg: Universal Medical Image Segmentation},
author = {Victor Ion Butoi and Jose Javier Gonzalez Ortiz and Tianyu Ma and Mert R. Sabuncu and John Guttag and Adrian V. Dalca},
journal= {arXiv preprint arXiv:2304.06131},
year = {2023}
}
备注
Victor and Jose Javier contributed equally to this work. Project Website: https://universeg.csail.mit.edu