ترجمه فارسی مقاله SAM مبتنی بر Prompt جعبه‌ای قوی برای قطعه‌بندی تصاویر پزشکی

چکیده

The Segment Anything Model (SAM) can achieve satisfactory segmentation performance under high-quality box prompts. However, SAM’s robustness is compromised by the decline in box quality, limiting its practicality in clinical reality. In this study, we propose a novel Robust Box prompt based SAM (textbf{RoBox-SAM}) to ensure SAM’s segmentation performance under prompts with different qualities. Our contribution is three-fold. First, we propose a prompt refinement module to implicitly perceive the potential targets, and output the offsets to directly transform the low-quality box prompt into a high-quality one. We then provide an online iterative strategy for further prompt refinement. Second, we introduce a prompt enhancement module to automatically generate point prompts to assist the box-promptable segmentation effectively. Last, we build a self-information extractor to encode the prior information from the input image. These features can optimize the image embeddings and attention calculation, thus, the robustness of SAM can be further enhanced. Extensive experiments on the large medical segmentation dataset including 99,299 images, 5 modalities, and 25 organs/targets validated the efficacy of our proposed RoBox-SAM.

چکیده به فارسی (ترجمه ماشینی)

بخش بخش هر مدل (SAM) می تواند عملکرد تقسیم بندی رضایت بخش را در زیر جعبه های با کیفیت بالا بدست آورد.با این حال ، استحکام سام با کاهش کیفیت جعبه به خطر می افتد و عملی بودن آن را در واقعیت بالینی محدود می کند.در این مطالعه ، ما یک جعبه قوی جدید مبتنی بر SAM ( TextBF {Robox-Sam}) را پیشنهاد می کنیم تا از عملکرد تقسیم بندی SAM در زیربناها با خصوصیات مختلف اطمینان حاصل شود.سهم ما سه برابر است.اول ، ما یک ماژول پالایش سریع را برای درک ضمنی اهداف بالقوه پیشنهاد می کنیم و جبران خسارات را برای تبدیل مستقیم کادر با کیفیت پایین به یک کیفیت بالا منتقل می کنیم.سپس ما یک استراتژی تکراری آنلاین برای پالایش سریع بیشتر ارائه می دهیم.دوم ، ما یک ماژول تقویت سریع را معرفی می کنیم تا به طور خودکار درخواست های نقطه ای را برای کمک به تقسیم بندی قابل استفاده به طور مؤثر ایجاد کنیم.آخر اینکه ، ما یک استخراج کننده خود اطلاعاتی برای رمزگذاری اطلاعات قبلی از تصویر ورودی ایجاد می کنیم.این ویژگی ها می توانند تعبیه های تصویر و محاسبه توجه را بهینه کنند ، بنابراین می توان استحکام SAM را بیشتر افزایش داد.آزمایش های گسترده ای در مورد مجموعه داده های تقسیم پزشکی بزرگ شامل 99،299 تصویر ، 5 روش و 25 اندام/هدف ، اثربخشی Robox-Sam پیشنهادی ما را تأیید کرد.