重新利用传统的U-Net预测用于医疗图像细分中的稀疏SAM提示

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 医疗图像分割 (MIS) 的传统深度学习需要广泛的训练数据.
• 分段任何模型 (SAM) 提供零射击概括能力,挑战现有的范式.
• 为SAM提示重新利用传统的细分模型,为增强MIS提供了一种新的方法.

研究的目的:

• 开发和比较改进U-Net细分的方法,以实现自动化的SAM提示.
• 调查SAM的边界框提示方法 (BBPM) 和点提示方法 (PPM) 的有效性.
• 在自动化的SAM提示中,以解决糟糕的切片预测 (PSP) 的挑战.

主要方法:

• 一个带有EfficientNet-B4编码器的2D U-Net被训练在使用4倍交叉验证的脑转移数据集上.
• 分段预测用于通过BBPM和新型PPM实现的自动稀疏提示生成.
• 通过多个预测区域或异常像素数量识别出糟糕的切片预测 (PSP),并用U-Net或BBPM预测替换.

主要成果:

• 在BBPM中,平均患者的子相似系数 (DSC) 提高了3.93%至0.847±0.008.
• PSP占PPM预测的20.01-21.63%;没有替代,性能下降了82.94%至0.139±0.023 DSC.
• 结合PSP识别和BBPM替换,实现了0.849 ± 0.007 DSC的细分精度,与BBPM相当.

结论:

• 拟议的PSP识别和替代技术有效地弥合了MIS的PPM和BBPM之间的绩效差距.
• 正如统一的实验结果所显示的那样,SAM显示出对提示风格变化的稳定性.
• 这些发现可以指导自动化和手动提示医疗图像细分管道的设计.