科学领域:

• 放射治疗和医学成像技术

背景情况:

• 准确地划分有风险的器官 (OAR) 对于放射治疗的规划和剂量评估至关重要.
• 深度学习模型提供了有希望的自动细分,但在概括性和人与人工智能的交互方面存在困难.
• 一个可推广和可提示的模型可以显著提高放射治疗治疗规划效率.

研究的目的:

• 评估Meta的分段任何模型 (SAM) 对于放射治疗细分的性能.
• 评估SAM的概括性和迅速性,在多个疾病部位对OAR进行细分.

主要方法:

• 收集了前列腺,肺部,胃肠道和头癌病例的CT图像.
• 将手动划分 (地面真相) 与SAM的"任何细分"和"盒子提示"模式进行比较.
• 通过使用Dice系数和Jaccard指数评估细分性能.

主要成果:

• 对于大多数OAR,SAM的"分段任何东西"模式实现了临床上可接受的Dice分数 (>0.7).
• "盒子提示"模式将子得分提高了0.10.5,提高了准确性.
• 性能因器官大小和边界特异性而异;对于大,明显的器官 (肺,肝脏) 更好,对于小,模糊的器官 (喉,大) 更差.

结论:

• 在放射治疗中,SAM证明了强大的概括性和一致的准确性,用于自动OAR细分.
• 盒式提示方法允许交互式,动态增强患者特定的自动细分.
• SAM的跨站点和跨模式通用性支持开发放射治疗的通用自细分模型.