SAM-MedUS:一个通用超声波图像分割的基础模型
Feng Tian1, Jintao Zhai2, Jinru Gong1
1Hunan Normal University, The School of Physics and Electronics, Changsha, China.
Journal of medical imaging (Bellingham, Wash.)
|March 3, 2025
概括
这项研究介绍了SAM-MedUS,这是一个用于分割各种超声波图像的新模型,其性能优于现有方法. 它通过提高各个解剖部位的细分精度来增强医疗图像分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 超声波图像的精确细分对于医学诊断,监测和研究至关重要.
- 目前的细分方法通常仅限于特定的器官,瘤或成像设备.
- 现有的深度学习模型,如SAM-med2d,由于相关培训数据的稀缺,对超声波的应用有限.
研究的目的:
- 开发一种通用的超声波图像分割模型,SAM-MedUS,能够处理各种超声数据.
- 创建一个全面的超声波数据集,包括八个站点类别,用于强大的模型培训和验证.
- 增强模型细分模糊边界和超声波成像特征的低对比区域的能力.
主要方法:
- 提出了SAM-MedUS模型,将ConvNeXt V2和CM块集成到编码器中,以改进全球上下文提取.
- 利用一个新策划的,多样化的超声波图像数据集与八个站点类别进行培训和测试.
- 整合了边界损失功能,专门解决细分模糊边界和低对比度超声波图像的挑战.
主要成果:
- 与最近的方法相比,SAM-MedUS在多个超声数据集中表现出卓越的性能.
- 在更简单的数据集上实现了高细分精度 (例如,成年脏:87.93% IoU,93.58% Dice).
- 在复杂的数据集上展示了强大的性能 (例如,婴儿静脉:62.31% IoU,78.93% Dice).
结论:
- 开发的SAM-MedUS模型为广泛的超声波图像提供了统一而准确的细分.
- 集成先进的架构组件和专门的损失函数可增强全球信息提取和边界划分.
- 该模型表现出强大的性能和出色的概括能力,解决了以前超声波细分技术的局限性.
