【Article】Segment anything in medical images

已于 2024-07-08 12:00:45 修改
阅读量64 收藏
点赞数 1
分类专栏： Memmat 文章标签： 人工智能 图像分割 SAM Nature 医学
于 2024-05-06 14:40:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/JishuFengyang/article/details/136724245
版权

文章目录

【Nature communications】Segment anything in medical images

粗略翻译，不准确，以原文为准。代码解析敬请期待。

0. Abstract

医学图像分割是临床实践的重要组成部分，有助于准确诊断，治疗计划和疾病监测。然而，现有的方法往往是针对特定的模式或疾病类型量身定制的，缺乏在医学图像分割任务的各种范围内的通用性。在这里，我们提出MedSAM，一个基础模型，旨在通过实现通用医学图像分割来弥合这一差距。该模型是在一个大型医学图像数据集上开发的，该数据集包含1,570,263个图像掩模对，涵盖10种成像方式和30多种癌症类型。我们对86个内部验证任务和60个外部验证任务进行了综合评估，证明了比模态专家模型更好的准确性和鲁棒性。通过在广泛的任务范围内提供准确有效的细分，MedSAM在加速诊断工具的发展和治疗计划的个性化方面具有巨大的潜力。

在这里插入图片描述

1. Introduction

了解本专栏 订阅专栏 解锁全文 超级会员免费看
猛码Memmat
关注
专栏目录
订阅专栏
LLM - 理解 多模态大语言模型(MLLM) 的 发展(Timeline) 与相关技术 (一)
Mystra
09-09 1081
多模态大语言模型 (Multimodal Large Language Models, MLLM)，例如 GPT-4V，使用 大语言模型 (LLM) 作为内核，执行多模态任务。常见多模态任务，包括看图讲故事、不需要 OCR 的数学推理等，同时，需要注意多模态 幻觉 (Hallucination) 的问题，以及扩展的多模态技术，如 多模态的上下文学习 (In-Context Learning)，多模态的思维链 (Chain of Thought) 等。
Segment Anything Model (SAM) 在医疗图像上应用
weixin_43904073的博客
04-13 922
【代码】Segment Anything Model (SAM) 在医疗图像上应用。
【论文阅读笔记】Customized Segment Anything Model for Medical Image Segmentation
qq_46056318的博客
04-07 1423
医学图像分割的自定义分割模型2023年 arXivPaperCode本文提出SAMed，医学图像分割的一般解决方案。与以往的方法不同，SAMed基于大规模图像分割模型Segment Anything Model（SAM），探索了定制大规模医学图像分割模型的新研究范式。SAMed将基于低秩（LoRA）的微调策略应用于SAM图像编码器，并将其与提示编码器和掩码解码器一起在标记的医学图像分割数据集上进行微调。本文还观察到预热微调策略和AdamW优化器导致SAMed成功收敛和降低损耗。
【持续更新】Segment Anything Model （SAM）分割一切大模型相关论文和项目介绍
热门推荐
深视
09-21 3万+
分割一切大模型SAM相关论文和项目介绍
论文代码复现之Medical SAM Adapter (Junde Wu version)
车同学CHE的博客
02-29 1295
论文代码复现之Medical SAM Adapter (Junde Wu version)
SAM 2最新应用落地！牛津大学团队发布Medical SAM 2，刷新医学图像分割SOTA榜
HyperAI超神经
08-26 1220
因为 3D 医学图像中相邻切片之间存在很强的时间关联，其处理方式也类似于处理视频数据，利用 SAM 2 原本的存储系统来检索先前的切片及其相应预测，以进行连续切片分割，随后通过记忆注意力机制增强输入图像嵌入，并将分割结果添加回存储区，以辅助后续切片的分割。本次论文的发布可谓是对 SAM 及 SAM 2 在医学领域潜力的又一次深挖，为医学图像分割领域提供了一种全新的思路与方法，尤其是在临床应用中展现了极大的潜力和价值，能够大幅缩减医学图像分割的工作量，提升医学图像分割效率和精准度。
[论文阅读]-0.MICCAI 2023 医学图像分割开源论文
Hollycooool的博客
05-23 2160
MICCAI2023医学图像分割开源论文部分汇总
[晓理紫]每日论文推送(有中文摘要，源码或项目地址)--大模型相关、扩散模型、视觉导航
勿忘初心,方得始终
01-14 1416
在机器学习（ML）中，一句流传甚广的格言是，对于具有类不平衡的二进制分类任务，精度-召回曲线下的面积（AUPRC）是与接收器操作特性下的面积相比的模型比较的更好的度量。本文通过新颖的数学分析对这一概念提出了质疑，说明AUROC和AUPRC可以用概率术语简明地联系起来。我们证明，与普遍认为的相反，AUPRC在阶级失衡的情况下并不优越，甚至可能是一个有害的指标，因为它倾向于过度倾向于在具有更频繁阳性标签的亚群体中改进模型。这种偏见可能会无意中加剧算法差异。
CVPR2017论文摘要汇总
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
AR as a civil right
weixin_42786150的博客
02-16 4423
增强现实的民事权利与刑法程序
扩散模型（2）--1
m0_63860007的博客
09-29 818
生成模型通过学习并建模输入数据的分布，从而采集生成新的样木，该模型广泛运用于图片视频生成、文本生成和药物分子生成。扩散模型是一类概率生成模型，扩散模型通过向数据中逐步。
[论文精读]AI-Guardian: Defeating Adversarial Attacks using Backdoors
m0_52911108的博客
09-27 1328
本文提出了AI-Guardian框架，本质是让模型预测结果受到后门控制，而很难被攻击者操纵，从而抵御对抗攻击。在模型训练阶段，AI-Guardian会针对原始训练样本生成一批后门样本（经过后门处理的样本），按标签双射关系为后门样本分配对应标签，实现后门注入；在模型预测阶段，AI-Guardian先对输入数据进行后门处理，然后将其输入到模型，根据模型输出结果、标签双射关系返回对输入数据真实标签的预测结果。
大模型~合集5
whaosoft~aiotの开发板商城
10-02 958
FLock 的机制设计受到了证明权益（PoS）区块链共识机制和桌面游戏《The Resistance》（一种角色扮演类游戏，该游戏的一个变种叫阿瓦隆）的启发。《The Resistance》游戏则通过投票机制，每轮游戏中玩家独立推理并投票，从而实现全局共识。《The Resistance》有两个不匹配的竞争方，其中较大的一方被称为抵抗力量，另一方被称为间谍。在《The Resistance》中，有一个投票机制，在每一轮中，每个玩家进行独立推理并为一个玩家投票，得票最多的玩家将被视为「间谍」并被踢出游戏。
Linux嵌入式有发展吗，以及对uboot，kernel，rootfs的领悟
rjszcb的博客
09-30 643
上一份工作是2022,11—2023，11年底，汽车公司，底层修修改改，编译镜像，修改后，客户给东西，重新编译给他，客制化配置启动参数，环境，支持应用部门，不懂怎么使用某些驱动。uboot到底是干嘛的，想想，emmc的镜像文件是怎么被读到ddr的，emmc为啥可以被分区，烧录镜像，tftp网络命令为啥可以运行，启动设备时，为啥lcd可以看到图像，kernel还没启动，怎么出图像的。不管做应用开发，驱动开发也好，知道，系统原理，驱动框架，进程管理调度，内核竞争，信号，中断，锁，这些就够了。
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
GIS潮流
09-30 979
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
神经网络在多分类问题中的应用
小高~的博客
09-29 807
神经网络在分类任务中的应用越来越广泛，尤其是在图像识别、自然语言处理等领域。本文将介绍如何使用PyTorch构建一个简单的神经网络来处理多分类问题。我们将通过一个实战案例，展示数据构造、模型训练、模型保存与加载、以及评估结果的整个过程。
GraphEval: A Knowledge-Graph Based LLM Hallucination Evaluation Framework
最新发布
weixin_43961909的博客
10-02 1004
评估大型语言模型(LLM)响应和检测不一致性(也称为幻觉)的方法对于LLM应用变得越来越重要。当前的度量标准在提供可解释的决策、系统地检查响应中的所有信息片段的能力方面存在不足，并且通常计算成本太高而无法在实践中使用。我们提出GraphEval:一个基于知识图(KG)结构表示信息的幻觉评估框架。我们的方法识别了KG中易于产生幻觉的特定三联体，因此比以前的方法提供了对反应中幻觉发生位置的更多了解。
Python/大数据/机器识别毕业设计选题题目推荐
初尘屿风的博客
09-27 1029
基于Python和Diango在线购物商城系统+报告文档+指导搭建视频基于深度学习的人脸识别与管理系统，Python实现基于Python/机器学习链家网新房数据可视化及预测系统Python豆瓣电影情感分析推荐系统+爬虫+可视化，过滤算法基于python的django框架生鲜商城管理系统设计与实现基于Python的Flask微博话题舆情分析可视化系统设计基于Python豆瓣电影数据可视化分析系统+毕业论文+指导搭建视频基于Python天气预报数据可视化分析系统+毕业论文基于Python的深度学习音乐推荐系统+
medsam: segment anything in medical images
11-11
medsam是一种专门用于医学图像分割的工具。在医学图像处理中，图像分割是指将图像中的目标结构或区域从背景中进行准确和有效的分离。medsam可以用于医学图像中的各种结构，例如器官、血管、病变等的分割。...
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

猛码Memmat

欢迎支持，随缘打赏 ~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值