Segment Anything Model 2: Una aplicación a imágenes médicas 2D y 3D

Área de la Ciencia:

• Inteligencia Artificial
• Imágenes Médicas
• Visión por Computadora

Sus antecedentes:

• El Segment Anything Model (SAM) se destaca en la segmentación de imágenes basada en indicaciones.
• SAM 2 extiende esta capacidad a la segmentación de video, ofreciendo potencial para el análisis de imágenes médicas 3D.

Objetivo del estudio:

• Evaluar de manera integral el rendimiento de SAM 2 en la segmentación de imágenes médicas 2D y 3D.
• Identificar estrategias de indicación óptimas para SAM 2 en el contexto de la imagen médica 3D.

Principales métodos:

• Evaluación exhaustiva de SAM 2 en 21 conjuntos de datos de imágenes médicas (modalidades 2D y 3D, videos quirúrgicos).
• Prueba de 80 estrategias de indicación diferentes, incluidas indicaciones de punto, cuadro y máscara, en varios métodos de propagación.
• Análisis comparativo del rendimiento de SAM 2 con diferentes técnicas de indicación y métodos de propagación.

Principales resultados:

• SAM 2 tiene un rendimiento comparable a SAM en la segmentación de imágenes médicas 2D.
• En entornos 3D, estrategias específicas como la selección de la máscara inicial, la indicación del corte del objeto más grande y el uso de indicaciones de cuadro producen mejores resultados.
• Sin ajuste fino, SAM 2 logra puntuaciones IoU 3D de 0.32 a más de 0.8, lo que demuestra una utilidad clínica creciente con indicaciones optimizadas.

Conclusiones:

• SAM 2 demuestra un potencial significativo para la segmentación de imágenes médicas 3D.
• Las estrategias de indicación propuestas mejoran la efectividad de SAM 2 más allá de la configuración predeterminada.
• Los hallazgos brindan orientación práctica para aprovechar SAM 2 en la segmentación de imágenes médicas 3D basada en indicaciones.