入选ECCV 2024！覆盖5.4w+图像，MIT提出医学图像分割通用模型ScribblePrompt，性能优于SAM

文章预览

本文 约4000字 ，建议阅读 10+分钟 计算效率更高，即使在单个 CPU 上也能实现快速推理。 作者：哇塞 编辑：李姝，李宝珠 麻省理工学院计算机科学与人工智能实验室团队等，提出一种交互式生物医学图像分割通用模型 ScribblePrompt，支持不同注释方式灵活地进行分割任务，甚至可用于未经训练的标签和图像类型。 外行看热闹，内行看门道，这句话在医学影像领域可谓是绝对真理。不仅如此，即便身为内行人，要想在复杂的 X 光片、CT 光片或 MRI 等医学影像上准确看出些「门道」来，也并非易事。而医学图像分割则是通过将复杂的医学图像中某些具有特殊含义的部分分割出来，并提取相关特征，从而可以辅助医生为患者提供更为准确的诊疗方案，也可以为科研人员进行病理学研究提供更为可靠的依据。 近年来，受惠于计算机及深度学习技术的发展， ………………………………