肝脏观察对比增强MRI的细分:可能或确定的肝细胞癌患者的SAM和MedSAM性能
Ashirbani Saha1,2, Christian B van der Pol3,4
1Department of Oncology, McMaster University, Hamilton, ON, Canada.
概括
分段任何模型 (SAM) 和MedSAM在对比增强的MRI上对肝细胞癌 (HCC) 检测的肝脏观测的细分表现有所不同. 模型优化需要考虑图像大小和诊断确定性等因素.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 肝细胞癌 (HCC) 研究研究
背景情况:
- 在对比度增强 (CE) 磁共振成像 (MRI) 上对肝脏观察的准确细分对于诊断肝细胞癌 (HCC) 至关重要.
- 像Segment Anything Model (SAM) 和其变体MedSAM这样的深度学习模型为自动化细分提供了潜力.
- 评估影响这些模型在高风险HCC患者的表现的因素对于临床应用至关重要.
研究的目的:
- 在CE-MRI上评估各种因素对SAM和MedSAM性能的影响,以对可能 (LR-4) 和确定的 (LR-5) HCC患者的肝脏观察进行细分.
- 确定优化细分精度的关键参数,以改善HCC诊断.
主要方法:
- 对97名高风险HCC患者 (2013-2018) 的CE-MRI数据进行了回顾性分析.
- 用边界框提示和5倍交叉验证来评估细分性能,比较SAM和MedSAM.
- 分析的因素包括模型类型,图像大小 (256x256与512x512),CE序列组成,观察大小,诊断确定性 (LR-4与LR-5) 和对比剂类型.
主要成果:
- 在512x512组合CE序列上训练的MedSAM获得了最高的平均子系数 (0.68).
- 更大的图像大小显著改善了模型级性能 (512x512:0.57对256x256:0.26,P <.001).
- 较大的观测尺寸,图像尺寸增加和更高的诊断确定性与更好的细分精度有关.
结论:
- 几个因素显著影响SAM/MedSAM在CE-MRI上检测HCC的细分肝脏观察的性能.
- 优化图像大小,考虑诊断确定性和潜在的观察大小是提高未来细分模型的关键.
- 进一步的研究可以利用这些发现来开发更准确的AI工具来诊断HCC.
