入選ECCV 2024！覆蓋5.4w+圖像，MIT提出醫學圖像分割通用模型ScribblePrompt，性能優于SAM

AIGC動態歡迎閱讀

原標題：入選ECCV 2024！覆蓋5.4w+圖像，MIT提出醫學圖像分割通用模型ScribblePrompt，性能優于SAM
關鍵字：圖像,數據,涂鴉,團隊,醫學
文章來源：HyperAI超神經
內容字數：0字

內容摘要：

作者：哇塞
編輯：李姝，李寶珠
麻省理工學院計算機科學與人工智能實驗室團隊等，提出一種交互式生物醫學圖像分割通用模型 ScribblePrompt，支持不同注釋方式靈活地進行分割任務，甚至可用于未經訓練的標簽和圖像類型。外行看熱鬧，內行看門道，這句話在醫學影像領域可謂是絕對真理。不僅如此，即便身為內行人，要想在復雜的 X 光片、CT 光片或 MRI 等醫學影像上準確看出些「門道」來，也并非易事。而醫學圖像分割則是通過將復雜的醫學圖像中某些具有特殊含義的部分分割出來，并提取相關特征，從而可以輔助醫生為患者提供更為準確的診療方案，也可以為科研人員進行病理學研究提供更為可靠的依據。
近年來，受惠于計算機及深度學習技術的發展，醫學圖像分割的方在逐步由手動分割向著自動化分割的方向加速邁進，經過訓練的 AI 系統已經成為醫生和科研人員的重要輔助。然而，由于醫學圖像本身的復雜性和專業性，導致系統訓練中仍有大量工作依賴于有經驗的專家進行手動分割創建訓練數據，其過程耗時耗力。同時，現有基于深度學習的分割方法在實踐中也遇到了諸多挑戰，如適用性問題、靈活的交互需求等。
為了解決現有交互式分割系統在實際應

原文鏈接：入選ECCV 2024！覆蓋5.4w+圖像，MIT提出醫學圖像分割通用模型ScribblePrompt，性能優于SAM

聯系作者

文章來源：HyperAI超神經
作者微信：
作者簡介：