使用GB-SAM增强医学成像细分:使用颗粒盒提示器进行组织细分的新方法
Ismael Villanueva-Miranda1, Ruichen Rong1, Peiran Quan1
1Quantitative Biomedical Research Center, Peter O'Donnell Jr. School of Public Health, University of Texas Southwestern Medical Center, Dallas, TX 75390, USA.
Cancers
|July 13, 2024
概括
颗粒盒快速分段任何模型 (GB-SAM) 通过更少的训练数据准确分段腺体来改进数字病理图像分析. 这种基础模型提高了效率,并减少了对医疗成像任务的专家注释的依赖.
科学领域:
- 数字病理学数字病理学
- 医学成像分析 医学成像分析
- 基金会模型 基金会模型
背景情况:
- 传统的数字病理学方法需要大量的手动注释,阻碍了模型的开发.
- 基础模型提供了几次射击学习的概括,解决了医学成像中的适应挑战.
- 自动注释对于效率至关重要,但经常与复杂的形态区域作斗争.
研究的目的:
- 引入颗粒盒提示片段任何模型 (GB-SAM),这是相对于SAM的一个进步.
- 通过减少对专家病理学家的依赖来提高自动注释效率.
- 通过使用有限的培训数据,提高数字病理学中个体腺体的细分精度.
主要方法:
- 微调了SegmentAnything Model (SAM) 模型,使用从地面真相面具中获得的颗粒盒提示.
- 利用小框区域进行局部分析,取代H&E染色图像补丁上的大型边界框.
- 将GB-SAM性能与CRAG,Glas和Camelyon16基因病理数据集中的U-Net进行比较.
主要成果:
- 在CRAG数据集上,GB-SAM的表现优于U-Net的表现 (Dice 0.885与0.857的数据为25%).
- 在Camelyon16淋巴结细分上表现出优越的概括 (Dice的0.740与U-Net的0.491).
- 与SAM-Path和Med-SAM相比,显示出竞争性表现,特别是在有限的训练数据下.
结论:
- 在数字病理学中,GB-SAM提供了先进的细分功能,减少了对数据的依赖.
- 颗粒盒提示方法提高了局部分析和细分精度.
- GB-SAM显示出在资源有限的环境中实际部署的巨大潜力.
