SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage Segmentation

要約

大規模なアノテーションでトレーニングされたビジョン基盤モデルであるセグメント エニシング モデル (SAM) は、最近、医療画像のセグメンテーションに対する意識を高め続けています。
SAM は自然のシーンでは優れた機能を発揮しますが、医療画像、特にぼやけた境界や非常に不規則な低コントラスト領域を含む画像に直面すると、パフォーマンスの低下に悩まされます。
この論文では、SAMIHS と呼ばれる SAM ベースのパラメータ効率の高い微調整法を、脳卒中診断と手術計画における重要かつ困難なステップである頭蓋内出血セグメンテーションのために提案します。
以前の SAM および SAM ベースの方法とは異なり、SAMIHS はパラメータ リファクタリング アダプタを SAM のイメージ エンコーダに組み込み、アダプタのパラメータの効率的かつ柔軟な利用を考慮しています。
さらに、バイナリクロスエントロピー損失と境界依存損失を組み合わせたコンボ損失を採用し、SAMIHS の境界領域を認識する能力を強化します。
2 つの公開データセットに対する実験結果は、提案した方法の有効性を示しています。
コードは https://github.com/mileswyn/SAMIHS で入手できます。

要約(オリジナル)

Segment Anything Model (SAM), a vision foundation model trained on large-scale annotations, has recently continued raising awareness within medical image segmentation. Despite the impressive capabilities of SAM on natural scenes, it struggles with performance decline when confronted with medical images, especially those involving blurry boundaries and highly irregular regions of low contrast. In this paper, a SAM-based parameter-efficient fine-tuning method, called SAMIHS, is proposed for intracranial hemorrhage segmentation, which is a crucial and challenging step in stroke diagnosis and surgical planning. Distinguished from previous SAM and SAM-based methods, SAMIHS incorporates parameter-refactoring adapters into SAM’s image encoder and considers the efficient and flexible utilization of adapters’ parameters. Additionally, we employ a combo loss that combines binary cross-entropy loss and boundary-sensitive loss to enhance SAMIHS’s ability to recognize the boundary regions. Our experimental results on two public datasets demonstrate the effectiveness of our proposed method. Code is available at https://github.com/mileswyn/SAMIHS .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google