神経解剖学的セグメンテーションのための微調整基盤モデルに対するデータセットサイズの影響: 基盤モデル仮説のテスト
Karthik Nair1, Narjes Razavian1, Yvonne W Lui1
1Department of Radiology, NYU Grossman School of Medicine, New York, New York, USA.
Medical physics
|February 17, 2026
まとめ
SAMやMedSAMのような財団モデルは,限られたデータであっても,神経解剖学的構造のセグメント化において,標準的なUNetモデルを上回らなかった. 特定の医療イメージングアプリケーションにおけるそれらの真の価値を決定するために,さらなる研究が必要である.
科学分野:
- メディカルイマージング (医学イメージング)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- 神経科学は神経科学である.
背景:
- ファンデーションモデルは,医療イメージングのタスクのために大規模なデータセットを活用します.
- 希少な注釈されたデータで効率的であると仮定されています.
- この研究は,基礎モデルと標準的な方法を比較することによって,この仮定に異議を唱えます.
研究 の 目的:
- セグメント任意のモデル (SAM) とメディカルSAM (MedSAM) の神経解剖学的構造のセグメント化におけるパフォーマンスを評価する.
- 微調整された基礎モデルと,さまざまなデータセットサイズの標準的なUNetモデルを比較する.
- 限られた研修データで基礎モデルの効率を評価する.
主な方法:
- ヒューマン・コネクトーム・プロジェクトから1,113のT1加重3DMRIを用いた.
- 神経解剖学的セグメンテーションのための微調整されたSAM,MedSAM,UNetモデル.
- ゼロショットを含む,減少するデータセットサイズのダイススコアを使用して評価されたパフォーマンス.
- 93の灰色と白質の領域のセグメンテーション精度を比較した.
主要な成果:
- UNetは,完全なトレーニングセットを使用したMedSAMとSAMを上回った (ディースの平均値は0.88対0.82/0.84).
- UNetは,単一のMRIまで,データの減少で優れたまたは等しいパフォーマンスを維持しました.
- ゼロショット型ファウンデーションモデルは,適度なセグメンテーションを達成しました (ディアンダイス0.66/0.59).
結論:
- 基礎モデル (SAM,MedSAM) は,最小限のデータであっても,神経解剖学的セグメンテーションにおいてUNetを上回らなかった.
- 低データ設定における基礎モデルに対する優れた微調整性能の仮説は支持されなかった.
- 標準的な監督方法に対するベンチマークは,特定のアプリケーションの基礎モデルの価値を実証するために不可欠です.
