Uncertainty‑Driven Edge Prompt Generation Network for Medical Image Segmentation.
研究背景
医学图像分割至关重要，但现有基于SAM的方法有局限，如依赖手动交互提示、缺乏适应性和灵活性，且医学图像边界模糊。如何克服这些问题并保留SAM优势是研究重点。
方法速览
- 用LoRA技术微调SAM编码器，增强捕捉医学图像特征能力。
- 设计自动边缘提示生成器，生成结构相关提示信息。
- 引入基于证据的不确定性估计方法和渐进不确定性驱动损失，提高分割可靠性和鲁棒性。
- 在四个公开数据集上实验验证方法有效性。
主要发现
- 提高适应性和性能：LoRA技术使UDEG‑Net在皮肤病变数据集上多项指标优于其他方法，提升了模型适应性和分割精度。
- 自动边缘提示生成器优越性：在甲状腺超声数据集上，UDEG‑Net指标显著优于手动提示的SAM Med2D方法，能提供更细粒度结构提示信息。
- 不确定性估计方法有效性：在脊柱分割数据集上，UDEG‑Net指标优于其他方法，减少了模型边缘区域不确定性。
- 渐进不确定性驱动损失贡献：在ACDC数据集上，使用该损失的UDEG‑Net优于不使用的模型，能引导模型关注高不确定性区域。
- EGB和PAB有效性：结合自信息方法和Canny算子的EGB及引入的PAB，提高了所有指标性能，更准确捕捉和表示结构信息。
- LoRA层秩大小影响：秩增加，平均DC性能提升，但秩大于8时趋于饱和，选择秩为8较合适。
- Canny算子有效性：在ACDC数据集上，使用Canny算子的模型分割性能优于Sobel算子模型，能更有效提取解剖边缘结构。
总结展望
本研究创新性在于提出自动边缘提示生成器、引入不确定性估计方法和应用LoRA技术。但也有局限，如结构提示信息有限、仅用单一模态提示信息、无法针对单一器官组织分割等，未来需引入更多先验和多模态提示信息及自然语言描述参考分割方法。