基础细分模型和临床数据挖掘能够为肺癌提供准确的计算机视觉
Nathaniel C Swinburne1, Christopher B Jackson2, Andrew M Pagano3
1Department of Radiology, Memorial Sloan Kettering Cancer Center, 1275 York Ave, New York, NY, 10065, USA. swinburn@mskcc.org.
Journal of imaging informatics in medicine
|October 22, 2024
概括
这项研究表明,将Segment Anything Model (SAM) 和MedSAM集成到自动挖矿,对象检测和细分 (MODS) 中,可以在CT扫描中有效地检测和细分肺癌,而无需手动标签. 这些模型实现了高性能,证明了它们在放射学应用中的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 医疗图像中的自动肺癌检测和细分对于早期诊断和治疗计划至关重要.
- 现有的方法通常需要大量的手动注释,这耗时且劳动密集.
- 基础细分模型为减少注释负担提供了一个潜在的解决方案.
研究的目的:
- 评估将分段任何模型 (SAM) 和其变体MedSAM集成到自动挖矿,对象检测和细分 (MODS) 方法的有效性.
- 开发强大的肺癌检测和细分模型,仅使用挖掘的临床数据,消除了对后期标签的需求.
- 评估这些模型在内部和外部肺癌数据集上的性能.
主要方法:
- 对肺癌患者的1万张胸部计算机断层扫描 (CT) 进行了回顾性分析.
- 线测量注释被转换为边界框用于训练你只看一次 (YOLO) 对象检测架构.
- 教师和学生的学习被用来进行自我标签,随后培训了与SAM和MedSAM集成的最终瘤检测模型,用于细分.
主要成果:
- 自动挖掘,物体检测和细分 (MODS) 方法成功地从10,789行注释中生成了5403个训练盒.
- 基线检测模型实现了0.847的内部F1得分,在自我标记后改善到0.860.
- 使用SAM和MedSAM进行瘤细分,实现了分别为0.842和0.822的内部子相似系数 (DSC),外部验证在微调后显示了可比的结果.
结论:
- 将SAM和MedSAM等基础细分模型集成到MODS框架中,可以产生高性能肺癌检测和细分模型.
- 这种方法有效地利用了挖掘的临床数据,大大减少了对手工后期标签的依赖.
- 无论是SAM还是MedSAM,都显示出作为处理放射图像的基础细分模型具有相当大的前景.
