On generalisability of segment anything model for nuclear instance segmentation in histology images

要約

大規模で多様なデータセットで事前トレーニングされたセグメント エニシング モデル (SAM) は、オブジェクト セグメンテーション タスクを目的としたコンピューター ビジョンにおける最初のプロンプト可能な基礎モデルです。
この研究では、ゼロショット学習と微調整を使用して、核インスタンスのセグメンテーションのパフォーマンスのタスクについて SAM を評価します。
特にモデルの一般化の観点から、核インスタンスのセグメンテーションにおける他の代表的な手法と SAM を比較します。
自動核実体セグメンテーションを実現するために、組織学画像から核実体マスクを生成する際に、SAM の視覚的プロンプトとして境界ボックスまたは核の中心点を提供する核検出モデルを使用することを提案します。

要約(オリジナル)

Pre-trained on a large and diverse dataset, the segment anything model (SAM) is the first promptable foundation model in computer vision aiming at object segmentation tasks. In this work, we evaluate SAM for the task of nuclear instance segmentation performance with zero-shot learning and finetuning. We compare SAM with other representative methods in nuclear instance segmentation, especially in the context of model generalisability. To achieve automatic nuclear instance segmentation, we propose using a nuclei detection model to provide bounding boxes or central points of nu-clei as visual prompts for SAM in generating nuclear instance masks from histology images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google