人机协作提升医学图像分割精度

研究人员开发了Hi-Seg框架，该框架增强了Segment Anything Model (SAM)在医学影像肺结节分割方面的能力。这个包含人类在内的系统允许标注员（包括非医学人员）迭代地优化AI生成的掩码，从而提高准确性并减少标注时间。在一项使用来自千余名患者的CT扫描进行的大规模研究中，Hi-Seg实现了近85%的平均Dice分数，显著优于现有的深度学习模型和SAM变体。研究结果表明，这种协作方法可以简化临床工作流程，并安全地将基础模型整合到医学实践中。 AI

影响 通过提高分割精度和减轻临床医生工作量，增强了AI在医学诊断中的效用。

排序理由 关于医学图像分割新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• computed tomography
• Dice Score
• Hi-Seg
• SAM
• Segment Anything Model

• 论文
• 产品
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →