81、医学图像分割新方法：文本提示与神经隐式函数的应用

医学图像分割新方法：文本提示与神经隐式函数的应用

1. 文本提示对图像分割的提升

在图像分割任务中，文本提示能够显著提升分割性能。当使用两种类型的文本提示，即仅使用第三阶段提示以及结合第一、二、三阶段提示时，文本提示中最详细的位置信息对提升分割性能起着最为关键的作用。不过，这并不意味着文本提示中其他粒度的位置信息对分割性能的提升没有贡献。即使输入的文本提示仅包含最粗略的位置信息，所提出的方法仍比不使用文本提示的方法的Dice分数高出1.43%。

训练数据量对分割性能也有影响。从相关实验结果可以看出，即使训练数据量减少，所提出的方法仍具有很强的竞争力。例如，当训练数据仅为总量的四分之一时，该方法的Dice分数比在完整数据集上训练的最佳单模态模型UNet++高出2.69%。

以下是不同训练数据量下各模型的性能对比表格：
| Method | Acc | Dice | Jaccard |
| — | — | — | — |
| Unet++ (using 10% training data) | 0.9425 | 0.7706 | 0.6268 |
| Ours (using 10% training data) | 0.9574 | 0.8312 | 0.7111 |
| Unet++ (using 100% training data) | 0.9608 | 0.8369 | 0.7196 |
| Ours (using 15% training data) | 0.9636 | 0.8503 | 0.7395 |
| Ours (using 25% training data) | 0.9673 | 0.863