TG-LMM：通过文本引导的大型多模态模型提高医学影像分割精度
原文中文，约600字，阅读约需2分钟。发表于：。本研究针对现有医学影像分割方法在利用先验知识方面的不足，提出了一种新颖的文本引导大型多模态模型TG-LMM。该模型通过整合专家对器官空间位置的描述，结合预训练的图像和文本编码器，显著提高了分割精度，并在多个权威医学影像数据集上表现优异，超越了现有方法。
本研究提出了一个名为SAT的模型，可在医疗场景中通过文本提示对任意物体进行分割。研究贡献包括整合多个知识源构建多模态医学知识树，使用大规模分割数据集进行训练，提出通用的分割模型，使用医学术语进行提示，并通过SAT-Nano模型对31个分割数据集进行评估。结果显示与36个专家nnUNets的性能相当。研究将公布代码和模型，并提供SAT-Ultra模型在更多数据集上进行训练。
