在脑瘤的MRI扫描上评估细分任何模型 (SAM)
Luqman Ali1,2, Fady Alnajjar1, Muhammad Swavaf1
1Department of Computer Science and Software Engineering, United Arab Emirates University, Al Ain, Abu Dhabi, 15551, UAE.
Scientific reports
|September 17, 2024
概括
细分任何模型 (SAM) 在MRI扫描中显示出自动化脑瘤细分的前景. 然而,为了可靠的诊断使用,特别是复杂瘤病例,需要进一步细化.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 在医学图像中对大脑结构的自动细分是具有挑战性的,因为数据的可变性和注释的限制.
- 分段任何模型 (SAM) 是一种基础AI模型,能够在各种图像类型中进行零拍摄分段.
研究的目的:
- 用磁共振成像 (MRI) 数据评估分段任何模型 (SAM) 对脑瘤细分的性能.
- 将SAM的独立细分能力与其使用交互式输入 (点提示,边界框) 的性能进行比较.
主要方法:
- 利用两个公开的MRI数据集 (TCGA和BRATS) 进行脑瘤细分.
- 评估SAM的细分精度,使用子得分和交叉与联盟 (IoU) 度量.
- 在不同的SAM配置中比较性能:独立,点提示和界限框输入.
主要成果:
- SAM在数据集和配置中展示了多功能性.
- 边界框提示产生了最高的精度,滴子得分分别为0.68 (TCGA) 和0.56 (BRATS),IOU值分别为0.89和0.65.
- 分段性能因瘤特征如大小,形状,曲率和纹理而有所不同,显示出不一致性.
结论:
- SAM有可能自动化医疗图像细分任务.
- 需要进一步的模型培训和仔细的实施,以便SAM可靠地用于脑瘤细分的诊断目的.
- 具有挑战性的病例,例如MRI扫描中的复杂脑瘤,需要进一步调查和模型优化.
