VesselSAM: Leveraging SAM for Aortic Vessel Segmentation with LoRA and Atrous Attention
作者: Adnan Iltaf, Rayan Merghani Ahmed, Bin Li, Shoujun Zhou
发布时间: 2025-02-27
来源: arxiv
研究方向: 医学图像分割、计算机视觉、深度学习
主要内容
本文提出了一种名为VesselSAM的医学图像分割模型，旨在提高主动脉血管分割的准确性。该模型基于Segment Anything Model (SAM)架构，并引入了AtrousLoRA模块，结合Atrous Attention和Low-Rank Adaptation (LoRA)技术，以提升分割性能和降低计算成本。
主要贡献
1. 提出VesselSAM模型，结合Atrous Attention和LoRA技术，提高主动脉血管分割的准确性。
2. AtrousLoRA模块能够有效捕获局部和全局特征，同时降低计算成本。
3. 在Aortic Vessel Tree (AVT)和Type-B Aortic Dissection (TBAD)数据集上取得了优异的分割性能。
4. 通过实验验证了AtrousLoRA模块的有效性，并分析了不同LoRA rank对性能的影响。
研究方法
1. AtrousLoRA模块：结合Atrous Attention和LoRA技术，提高分割性能。
2. Atrous Attention：利用扩张卷积捕获多尺度特征。
3. LoRA：降低训练参数数量，提高训练效率。
4. Dice Similarity Coefficient (DSC)和Hausdorff Distance (HD)：评估分割性能。
5. Ablation Study：评估不同配置对模型性能的影响。
实验结果
VesselSAM在AVT和TBAD数据集上取得了优异的分割性能，DSC分数分别为93.50%和93.26%。实验结果表明，AtrousLoRA模块能够有效提高分割性能，而LoRA rank为4时，性能最优。
未来工作
探索基于文本的提示机制和视觉语言模型，提高分割精度。扩展模型应用于其他血管结构和医学影像任务。