核心概念
本文提出 SemiSAM,一種利用 Segment Anything Model (SAM) 增強半監督醫學圖像分割的新方法,尤其適用於標註數據極度有限的情況。
摘要
論文概述
本研究論文題為《SemiSAM:基於 SAM 輔助一致性正則化的半監督醫學圖像分割增強方法》,探討了如何利用預訓練的基礎模型 Segment Anything Model (SAM) 來提升半監督醫學圖像分割的效能,特別是在標註數據極度缺乏的情況下。
研究背景
醫學圖像分割是從醫學影像中識別特定解剖結構的關鍵技術,但深度學習模型的訓練需要大量的標註數據,而醫學影像的標註需要專業醫師,成本高昂且耗時。半監督學習方法試圖利用未標註數據來提升模型效能,但當標註數據極度有限時,其表現仍與全監督方法存在差距。
研究方法
SemiSAM 方法的核心是將 SAM 作為輔助監督分支,利用半監督分割框架的輸出結果來引導 SAM 生成偽標籤,並將偽標籤作為額外的正則化信息,輔助半監督學習過程。具體而言,該方法首先利用半監督分割模型對輸入圖像進行初步分割,並根據分割結果生成 SAM 的輸入提示點。然後,利用 SAM 生成偽標籤,並將其與半監督分割模型的輸出結果進行一致性約束,從而提升模型的分割精度。
實驗結果
在左心房分割數據集上的實驗結果表明,SemiSAM 方法能夠顯著提升現有半監督分割框架的性能,尤其是在僅有一個或少量標註圖像的情況下。與其他半監督醫學圖像分割方法相比,SemiSAM 在極度缺乏標註數據的情況下表現更為出色。
研究貢獻
本研究的主要貢獻在於提出了一種簡單而有效的方法,利用 SAM 作為輔助監督信息來提升半監督醫學圖像分割的性能。該方法無需手動標註提示點,即可利用 SAM 的強大能力,為醫學圖像分割領域提供了一種新的思路。
研究局限與展望
儘管 SemiSAM 方法取得了顯著的進展,但仍存在一些局限性。例如,當標註數據相對充足時,僅僅依靠 SAM 的一致性約束可能無法顯著提升分割性能。未來研究可以探索更穩健可靠的 SAM 利用方式,並將 SemiSAM 擴展到其他半監督框架和分割任務中。
統計資料
使用 1、2 和 4 個標註案例時,SemiSAM 的 Dice 相似係數分別提升了 10.78%、11.29% 和 8.02%。
在左心房分割數據集上,當僅有一個或少量標註圖像可用時,SemiSAM 的表現優於其他先進的半監督醫學圖像分割方法。
引述
"Although these methods can improve the performance by utilizing unlabeled data, there are still gaps between fully supervised methods under extremely limited annotation scenarios."
"In this paper, we propose a simple yet efficient strategy to explore the usage of SAM as an additional supervision branch for enhancing consistency regularization-based semi-supervised medical image segmentation framework especially in extremely limited annotation scenarios."
"Experimental results demonstrate that SemiSAM further improves the segmentation performance of semi-supervised frameworks especially under extreme few-annotation settings where only one or a few labeled data are available."