![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
SAM类
文章平均质量分 80
cskywit
专注AI,热爱文学
展开
-
【论文阅读笔记】Sam3d: Segment anything model in volumetric medical images[
与传统的逐层处理不同,SAM3D能够在整个体积上处理图像,更有效地捕捉切片间的深度关系,同时维持模型的简单性和计算效率。:通过在多个医学图像数据集上的实验,只需要单2080TI GPU,SAM3D显示了与当前最先进的3D神经网络和基于Transformer的模型相当的性能(其实弱很多),同时在参数数量上大大减少。去除了SAM中的prompts Encoder:因为解码器必须处理 3D 体积数据,所以不能使用 SAM 的掩模解码器,它是专门为 2D 自然图像设计的。原创 2024-01-18 10:31:05 · 1254 阅读 · 1 评论 -
【论文阅读笔记】Segment Anything Model for Medical Image Segmentation: Current Applications and Future Direc
这一节还讨论了SAM在医学图像分割中的应用,包括评估其在不同成像方式下的零样本性能和探索适应医学图像分割的方法。例如,MedLSAM模型采用了基于少量样本的定位过程,通过识别3D医学图像中的感兴趣解剖结构的3D边界框,进而从3D框中导出2D框,指导SAM自动分割目标解剖结构。这部分的核心思想是,鉴于SAM对输入提示的高度敏感,通过不确定性的评估和处理,可以更可靠地预测分割结果,尤其是在医学成像这一领域,分割的准确性在临床程序中极为重要。这些模型在各种任务中的成功引起了广泛的兴趣和适应,包括医学图像分析。原创 2024-01-13 11:11:40 · 1122 阅读 · 1 评论 -
SAM类医学图像分割选读概述
SAM类医学图像分割选读概述原创 2023-12-27 11:48:52 · 1477 阅读 · 0 评论 -
【论文阅读笔记】SegVol: Universal and Interactive Volumetric Medical Image Segmentation
本文思路借鉴于自然图像分割领域的**SAM**,介绍了一种名为SegVol的先进医学图像分割模型,旨在构建一种**图像分割基础模型**,这是一个面向体积医学图像分割的通用和交互式模型。SegVol的设计目的是通过处理各种解剖类别来提高医学图像分割的准确性和效率。该模型通过在9万个未标记的计算机断层扫描(**CT**)体积和6千个标记的CT体积上进行训练,能够支持超过**200个解剖类别的分割**,**模型利用语义和空间prompts来实现**。SegVol通过使用轻量级架构实现高效率,采用**“缩小-放大”原创 2023-12-24 15:07:06 · 960 阅读 · 2 评论