SegmentAnyBone: 一种通用模型,可以在MRI上对任何位置的任何骨进行细分
Hanxue Gu1, Roy Colglazier2, Haoyu Dong1
1Department of Electrical and Computer Engineering, Duke, NC, 27703, USA.
Medical image analysis
|February 20, 2025
概括
本研究介绍了SegmentAnyBone,这是一个多功能深度学习模型,用于在磁共振成像 (MRI) 中对骨进行细分. 它提供自动化和基于提示的模式,改进了定量肌肉骨评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 磁共振成像 (MRI) 提供了高质量的,对人体的非侵入性见解.
- 在MRI中精确的组织细分对于准确的诊断和治疗计划至关重要.
- 在MRI中骨细分具有挑战性,有限的公开算法和专注于特定的解剖区域.
研究的目的:
- 开发一种多功能,公开可用的深度学习模型,用于在多个标准位置的MRI中进行骨细分.
- 通过改善骨细分,使肌肉骨疾病的定量评估更加准确.
- 提供一个在完全自动化和基于提示符的细分模式中运行的模型.
主要方法:
- 收集并注释了一套新的MRI数据集 (320卷,>10k片) 跨越不同的协议和解剖区域.
- 研究了各种标准网络架构和自动细分策略.
- 开发了SegmentAnyBone,这是扩展SegmentAnything Model (SAM) 的基础模型,用于多功能骨分割.
主要成果:
- 拟议的SegmentAnyBone模型证明了在不同的解剖位置和MRI序列中有效的骨分割.
- 对比分析显示,与以前的方法相比,竞争性或优异的性能.
- 一般化分析证实了该模型在外部数据集上的稳定性.
结论:
- SegmentAnyBone提供了一种多功能且公开可用的解决方案,用于MRI骨细分.
- 该模型增强了定量肌肉骨分析,解决了当前放射学实践中的差距.
- 基础模型方法为医疗图像细分提供了灵活而强大的工具.
