基于YOLO和不确定性校正的SAM的弱监督颅内出血分割
计算机视觉与模式识别
2024-09-05 v3
摘要
颅内出血（ICH）是一种危及生命的疾病，需要快速准确的诊断以改善治疗结果和患者生存率。近年来，监督式深度学习在医学图像分析方面取得了巨大进步，但通常依赖于具有高质量标注的大型数据集，这些数据集的准备成本高昂、耗时且需要医学专业知识。为减少对大量专家准备标注数据的需求，我们开发了一种新颖的弱监督ICH分割方法，该方法利用YOLO目标检测器和不确定性校正的分割任意模型（SAM）。此外，我们提出了一种新颖的点提示生成器，利用YOLO预测的边界框提示来改进该模型。我们的方法在ICH检测中实现了0.933的高准确率和0.796的AUC，以及0.629的平均Dice分数，优于现有的弱监督和流行的监督方法（如UNet和Swin-UNETR）。总体而言，所提出的方法为ICH量化提供了一种稳健且准确的替代方案，无需在模型训练中使用像素级标注。
引用
@article{arxiv.2407.20461,
title = {Weakly Supervised Intracranial Hemorrhage Segmentation with YOLO and an Uncertainty Rectified Segment Anything Model},
author = {Pascal Spiegler and Amirhossein Rasoulian and Yiming Xiao},
journal= {arXiv preprint arXiv:2407.20461},
year = {2024}
}
备注
Manuscript was accepted at SWITCH2024. 10 pages, 2 figures