基于紧凑卷积Transformer和SAM2的弱监督高反射灶分割
计算机视觉与模式识别
2025-03-24 v2
摘要
弱监督分割有潜力大幅减少训练分割模型（用于光学相干断层扫描中的高反射灶等小结构）的标注工作量。然而，大多数弱监督方法要么涉及输入图像的强下采样，要么仅实现粗分辨率下的定位，这两者对于小结构都不令人满意。我们提出了一种新框架，通过使用逐层相关性传播来提示Segment Anything Model (SAM2)，提高了传统基于注意力的多实例学习方法的空间分辨率，并通过迭代推理提高了召回率。此外，我们证明，用紧凑卷积Transformer替换多实例学习（它添加了位置编码，并允许OCT图像不同区域之间的信息交换）可以进一步大幅提高分割精度。
引用
@article{arxiv.2501.05933,
title = {Weakly Supervised Segmentation of Hyper-Reflective Foci with Compact Convolutional Transformers and SAM2},
author = {Olivier Morelle and Justus Bisten and Maximilian W. M. Wintergerst and Robert P. Finger and Thomas Schultz},
journal= {arXiv preprint arXiv:2501.05933},
year = {2025}
}
备注
7 pages, 1 figure, accepted at German Conference on Medical Image Computing 2025