医疗版SAM开源！医学影像的通用分割模型来了！

医学影像行业，一直以数据和高成本标注而筑起非常高的领域壁垒,随着近期SAM和SegGPT等通用的CV大模型的提出，大模型和通用模型这把火也逐渐烧到的CV领域，特别是图像分割领域，各式通用医学图像分割模型也随之涌现。

11.16-11.17日，我们邀请到台湾交通大学博士，多篇顶会一作作者，Shawn老师，为我们带来——通用跨模态医学图像分割新SOTA，为我们详解医学图像分割任务。

扫码预约直播（赠老师授课PPT）

免费领导师推荐MICCAI2023热门论文合集

MICCAI2023热门医学影像论文合集

老师介绍：Shawn老师

-台湾交通大学博士

-以第一作者身份发表多篇论文，包括ICLR，ICDE

-获多项校级奖学金，AI竞赛，并与新加坡科技部有合作

-研究方向： 深度学习，计算机视觉，音乐生成，多模态

直播大纲

1）对于医学图像分割，如果一个模型只在源域使用MR图像进行训练，它在目标域直接分割CT图像的性能如何?

2）于一般化的医学图像分割任务，使用单个源域来训练模型是非常困难的，如何解决这种情况？

扫码预约直播（赠老师授课PPT）

免费领导师推荐MICCAI2023热门论文合集

对于医学图像分割，想象一下，如果一个模型只在源域使用MR图像进行训练，它在目标域直接分割CT图像的性能如何?这种设置，即可泛化的跨模态分割，具有临床潜力，比其他相关设置，如领域自适应更具挑战性。

对于一般化的医学图像分割任务，使用单个源域来训练模型是非常困难的。不同模式之间的风格偏差会显著降低性能。如下图所示，不同模态的脑肿瘤影响有明显不同的外观，如下图的T1 和 T2。现有的模型往往只在单一模态下表现良好，在另一模态上表现较差，如DeepAll和DoFE方法。

近期，有研究提出了SAM-Med3D，这是一种专门用于3D体素医学图像分割的三维SAM模型。该模型对于不同的解剖结构，如骨骼、心脏和肌肉，在提供有限提示点的情况下，明显优于其他方法。在不同的图像模态下，特别是核磁共振图像，通常需要比CT图像更多的提示点才能达到相同的性能，但SAM-Med3D在各种模态（包括核磁共振图像）、器官和病变下始终表现出色。此外，SAM-Med3D的可迁移性也在不同的基准任务上经过了验证，该模型表现出了很强的潜力，因此SAM-Med3D有望成为一种强大的三维医学图像Transformer的预训练模型。

具有完整三维结构的 SAM-Med3D

扫码预约直播（赠老师授课PPT）

免费领导师推荐MICCAI2023热门论文合集

作为一个科研小白，怎么发表一篇优质论文？

为了论文，大家都在努力的设计新网络、新策略、新training算法，只要能够在某一问题上做到一个很好的performance，论文就水到渠成。而想要快速达到，来自前辈的指点不可或缺。

一个好的指导老师的作用是，没有课题，能够结合所在课题组具体情况，结合最近热门研究方向，帮你规划课题，如果有了课题而缺少创新方向，老师能够快速帮你找到几种切入点，几种框架，甚至连需要读哪些文献都帮你想好了......

扫描二维码

与大牛导师一对一meeting

MICCAI2023热门医学影像论文合集

文末福利

小沃整理了沃恩智慧联合创始人Paul老师的精品系列付费课程，原价3999元，现0元免费领，包含计算机领域各方向热点内容及论文写作技巧干货！

立即扫码 赠系列课程

-END-