BriefGPT - AI 论文速递
·
基于“分段任何事物”的增强提示弱监督癌症分割
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究通过引入可训练的类别提示和病理编码器，将Segment Anything Model（SAM）应用于数字病理学的语义分割。增加病理基础模型后，SAM-Path在两个公共数据集上的Dice和IOU得分显著提升，分别比手动提示和后处理的SAM高出27.52%和71.63%。
🎯
关键要点
- 本研究引入可训练的类别提示和病理编码器，适应Segment Anything Model（SAM）于数字病理学的语义分割任务。
- 通过增加病理基础模型，显著提高了SAM-Path在数字病理学中的语义分割能力。
- 在两个公共病理学数据集上，SAM-Path的Dice得分比手动提示和后处理的SAM高出27.52%。
- 在IOU得分上，SAM-Path比手动提示和后处理的SAM高出71.63%。
- 增加病理基础模型使Dice得分提升5.07%至5.12%，IOU得分提升4.50%至8.48%。
➡️
