寸先生的AI道路

本文思路借鉴于自然图像分割领域的**SAM**，介绍了一种名为SegVol的先进医学图像分割模型，旨在构建一种**图像分割基础模型**，这是一个面向体积医学图像分割的通用和交互式模型。SegVol的设计目的是通过处理各种解剖类别来提高医学图像分割的准确性和效率。该模型通过在9万个未标记的计算机断层扫描（**CT**）体积和6千个标记的CT体积上进行训练，能够支持超过**200个解剖类别的分割**，**模型利用语义和空间prompts来实现**。SegVol通过使用轻量级架构实现高效率，采用**“缩小-放大”

具体来说，在三维医学图像中，体素可能在垂直于切片的方向（通常是Z轴）上的尺寸与在切片内（即X轴和Y轴）的尺寸不同。引言部分还提到，尽管存在大量未标记数据，但医学图像在成像方式（例如CT、MRI、超声等）和空间属性（如2D和3D空间维度、不同的体素间距和空间形状）方面的高度异质性，使得使用统一的模型结构处理所有类型的医学图像变得非常困难。本文的目标是通过引入空间自适应卷积（SAC）模块和改进的视觉标记器，预训练一个能够处理广泛医学图像的通用视觉变换器，以解决在医学图像分析中标记数据稀缺的问题。