Краткое содержание

arXiv:2403.10931v3 Тип объявления: замена-перекрёстная Аннотация: Коллективный интеллект от нескольких медицинских экспертов постоянно превосходит индивидуальные экспертные знания в клинической диагностике, особенно при выполнении сложных задач сегментации медицинских изображений, связанных с нечёткими границами тканей или патологическими вариациями. Модель Segment Anything Model (SAM), мощная базовая визуальная модель, изначально разработанная для сегментации естественных изображений, продемонстрировала выдающийся потенциал после адаптации к задаче сегментации медицинских изображений. Однако существующие методы адаптации SAM следуют парадигме одного эксперта, разрабатывая модели на основе индивидуальных аннотаций отдельных специалистов для предсказания детерминированных масок. Эти подходы систематически игнорируют присущую неопределённость и изменчивость в экспертных аннотациях, что противоречит клиническим практикам, где несколько специалистов предоставляют различные, но одинаково валидные интерпретации, совместно повышающие уверенность в диагнозе. Мы предлагаем адаптер, учитывающий неопределенность — первый адаптера SAM...