返回
A Methodology for Clinically Driven Interactive Segmentation Evaluation
DOI:10.1007/978-3-032-08970-0_2.png)
摘要
En 中文
交互式分割是一种构建稳健、泛化性强的体素医学图像分割算法的有前景策略。然而,不一致且临床不现实的评估阻碍了公平比较,并歪曲了真实世界性能。我们提出了一种以临床为基础的方法来定义评估任务和指标,并构建了一个用于构建标准化评估流水线的软件框架。我们评估了最先进的算法在异构和复杂任务上的表现,并观察到:(i)在处理用户交互时最小化信息损失对模型稳健性至关重要;(ii)自适应缩放机制增强了稳健性并加速收敛;(iii)如果验证提示行为/预算与训练不同,性能会下降;(iv)2D方法在处理板状图像和粗略目标时表现良好,但3D上下文有助于处理大型或不规则形状的目标;(v)非医学领域模型(如SAM2)在对比度差和形状复杂时性能会下降。
Keyword:
Validation
Interactive Segmentation
Data Annotation
期刊
H
IF:
0
论文数:
7
被引数:
0
机构
引用论文
Metrics reloaded: recommendations for image analysis validation重新加载的度量: 图像分析验证建议
NATURE METHODS
IF32.1
PRISM: A Promptable and Robust Interactive Segmentation Model with Visual PromptsPRISM:一种具有视觉提示的可提示且稳健的交互式分割模型
User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability用户引导的解剖结构三维主动轮廓分割: 显著提高效率和可靠性
NeuroImage
IF0
nnU-Net: a self-configuring method for deep learning-based biomedical image segmentationNnu-net: 一种基于深度学习的自配置生物医学图像分割方法
NATURE METHODS
IF32.1

