ترجمه فارسی مقاله قطعه‌بندی تومور مغزی با نظارت نقطه‌ای با MedSAM مبتنی بر جعبه

چکیده

Delineating lesions and anatomical structure is important for image-guided interventions. Point-supervised medical image segmentation (PSS) has great potential to alleviate costly expert delineation labeling. However, due to the lack of precise size and boundary guidance, the effectiveness of PSS often falls short of expectations. Although recent vision foundational models, such as the medical segment anything model (MedSAM), have made significant advancements in bounding-box-prompted segmentation, it is not straightforward to utilize point annotation, and is prone to semantic ambiguity. In this preliminary study, we introduce an iterative framework to facilitate semantic-aware point-supervised MedSAM. Specifically, the semantic box-prompt generator (SBPG) module has the capacity to convert the point input into potential pseudo bounding box suggestions, which are explicitly refined by the prototype-based semantic similarity. This is then succeeded by a prompt-guided spatial refinement (PGSR) module that harnesses the exceptional generalizability of MedSAM to infer the segmentation mask, which also updates the box proposal seed in SBPG. Performance can be progressively improved with adequate iterations. We conducted an evaluation on BraTS2018 for the segmentation of whole brain tumors and demonstrated its superior performance compared to traditional PSS methods and on par with box-supervised methods.

چکیده به فارسی (ترجمه ماشینی)

ترسیم ضایعات و ساختار آناتومیکی برای مداخلات با هدایت تصویر مهم است.تقسیم بندی تصویر پزشکی با نظارت از نقطه (PSS) پتانسیل بسیار خوبی برای کاهش برچسب زدن به تخصصی تخصصی دارد.با این حال ، به دلیل عدم وجود اندازه دقیق و راهنمایی مرزی ، اثربخشی PS ها اغلب از انتظارات کم می شود.اگرچه مدلهای بنیادی بینایی اخیر ، مانند مدل پزشکی هر چیزی (Medsam) ، پیشرفت های قابل توجهی در تقسیم بندی با جعبه محدود انجام داده اند ، اما استفاده از حاشیه نویسی نقطه ساده نیست و مستعد ابهام معنایی است.در این مطالعه مقدماتی ، ما یک چارچوب تکراری برای تسهیل مدسامی با نظارت معنایی از نظر معنایی ارائه می دهیم.به طور خاص ، ماژول مولد جعبه معنایی (SBPG) این ظرفیت را دارد که ورودی نقطه را به پیشنهادات بالقوه جعبه اتصال شبه بالقوه تبدیل کند ، که صریحاً با شباهت معنایی مبتنی بر نمونه اولیه تصفیه می شوند.این سپس با یک ماژول پالایش مکانی سریع هدایت شده (PGSR) که از تعمیم پذیری استثنایی Medsam برای استنباط ماسک تقسیم بندی استفاده می کند ، موفق می شود ، که همچنین بذر پیشنهاد جعبه را در SBPG به روز می کند.عملکرد را می توان به تدریج با تکرارهای کافی بهبود بخشید.ما برای تقسیم تومورهای کامل مغز ارزیابی در مورد BRATS2018 انجام دادیم و عملکرد برتر آن را در مقایسه با روشهای سنتی PSS و به طور همزمان با روشهای تحت نظارت جعبه نشان دادیم.