做医学图像分割，但是样本量很小咋办，元学习数据增强帮你忙

自采样 Meta SAM: 

SSM-SAM:一种用于小样本医学图像分割的自采样Meta SAM框架，引入三个关键设计: 在线快速梯度下降优化器、自采样模块、定制注意力解码器，在腹部CT和MRI数据集的小样本分割上性能表现出色，单位: 东京工业大学，华中科技大学,UC Irvine

虽然分割一切模型(SAM)在通用图像的语义分割方面表现出色，但在应用于医学图像时，其性能显著下降，这主要是由于其训练数据集中医学图像的表示不足。尽管如此，由于医学图像中常见的长尾问题，收集普遍适用的综合数据集和训练模型尤其具有挑战性。为了解决这一差距，本文提出一种用于小样本医学图像分割的自采样元 SAM(SSM-SAM) 框架。我们的创新在于个关键模块的设计: 1)在线快速梯度下降优化器，由元学习器进一步优化确保快速、稳健地适应新任务。 2)自采样模块，旨在提供对齐的视觉提示以改善注意力分配; 3) 一个强大的基于注意力的解码器，专为医学小样本学习而设计，以捕获不同切片之间的关系。对流行的腹部 CT 数据集和 MRI数据集进行的大量实验表明，所提出的方法在小样本分割方面比最先进的方法取得了显著改进，在 DSC 方面平均提高了 10.21% 和 1.80%，分别。 总之，我们提出了一种在交互式图像分割中快速在线适应的新颖方法，只需0.83 分钟即可适应新器官。 代码一经接受即可在 GitHub 上公开发布

论文：https://arxiv.org/abs/2308.16466

加技术交流群掌握最新校招面试题和真实提升项目：加我微信 Lh1141755859 作者：

关注公众号 CV算法小屋 了解更多aigc大语言模型信息