🔥 今日值得一读
一个模型打通2D到3D医学图像分割，稀疏标注也能高效搞定！
UniPro: Unified Multi-Mode Medical Image Segmentation from 2D Images to 3D Volumes via Propagation
👨💼 主理人解读 · 为什么值得关注
一个框架覆盖多种医学分割范式并支持2D精修传播到3D，简化临床分割流程。
📖 AI 总结
本文提出UniPro，一个统一的医学图像分割模型，旨在打通分割范式与数据维度之间的割裂。现有方法通常将语义分割、上下文分割和交互式分割分别开发，并各自局限于二维图像或三维体数据。UniPro的核心洞察在于：三维体数据的传播式分割与上下文分割共享同一套参考条件预测机制，区别仅在于参考图像-掩码对来自其他病例还是已分割的相邻切片。基于此，模型在单一基于切片的框架内统一支持语义、上下文、交互和传播四种分割模式，分别以类别先验、参考样例、用户点击和相邻切片预测作为条件输入。为提升传播可靠性，UniPro引入双向与三维监督，在逐切片损失之外对传播过程加以正则化。实验表明，该模型在多种模态和解剖结构上均表现良好，能够从稀疏的二维初始化实现高效的三维分割，减少逐切片修正的工作量。
🔑 关键词速览
| UniPro | 一种统一的多模式医学图像分割模型，支持语义、上下文、交互式和基于传播的分割，并能将二维分割扩展到三维体积。 |
| 语义分割 | 为图像中的每个像素分配一个类别标签（如器官或组织类型）的分割任务。 |
| 上下文分割 | 利用参考图像-掩码对（来自其他病例）作为条件，对目标图像进行分割的任务。 |
| 交互式分割 | 通过用户交互（如点击）提供条件信息，引导模型完成分割的任务。 |
| 传播 | 将二维切片上的分割结果连贯地扩展到整个三维体积的过程，通常利用相邻切片信息。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅