基于 YOLO + SAM 的术中胶质瘤分割以提高肿瘤切除的准确性
原文中文，约500字，阅读约需2分钟。发表于：。本研究针对术中成像中胶质瘤的识别和分割困难这一问题，提出了一种结合YOLOv8与SAM视觉变换器的深度学习管道。研究结果显示，该模型在模拟术中条件下的影像数据上取得了0.79的Dice相似系数，表明其能够显著提高肿瘤切除的准确性和安全性，对外科手术具有潜在的积极影响。
本研究提出了一种创新方法，将Segment Anything Model（SAM）与投票网络相结合，用于多模态脑胶质瘤分割，并通过使用边界框指导提示（SAMBA）来适应非洲数据集的复杂性。该方法在脑肿瘤分割上取得了令人信服的结果，有潜力在资源有限的环境中深远影响临床实践。
