PulseAugur
中
实时 11:40:21
English(EN) SUGFW+: An Uncertainty-guided Feature Weighting Framework for Cold Start Active Adaptation of SAM in Medical Image Segmentation

新框架利用SAM和主动学习增强医学图像分割

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SUGFW+，一个旨在改进医学图像分割模型的新框架，特别是在标注数据有限的情况下。该方法利用Segment Anything Model (SAM)进行特征提取和不确定性计算，并将这些元素整合到一个基于块的全局区分表示模块中。然后，该框架采用一种带有聚类和不确定性的贪婪选择策略，以选择多样化且信息丰富的样本进行标注，这些样本随后用于SAM的不确定性提示微调过程。在四个数据集上的实验表明，SUGFW+在医学图像分割的冷启动主动学习方面优于现有方法。 AI

影响 通过优化有限标注数据的利用，该框架可以显著降低训练准确的医学图像分割模型的成本和时间。

排序理由 该集群包含一篇详细介绍医学图像分割新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

新框架利用SAM和主动学习增强医学图像分割

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Xiaochuan Ma, Ning Zhu, Jia Fu, Lanfeng Zhong, Hanyu Jiang, Bin Song, Kang Li, Guotai Wang ·

    SUGFW+：一种用于SAM在医学图像分割中冷启动主动适应的不确定性引导特征加权框架

    arXiv:2608.16110v1 Announce Type: new Abstract: Cold Start Active Learning (CSAL) is important in improving the performance of a medical image segmentation model with low annotation budget by querying a small subset for annotation from an unlabeled training set. Existing CSAL met…

相关实体

相关话题