数字病理学的任何细分模型 (SAM):评估整个幻灯片成像上的零拍摄细分
Ruining Deng1, Can Cui1, Quan Liu1
1Department of Computer Science, Vanderbilt University, Nashville, TN.
概括
细分任何模型 (SAM) 显示了数字病理图像细分的希望,在大型物体上表现出色,但在密集的细胞细分方面扎. 进一步微调可能会提高其在复杂的病理图像上的性能.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 数字病理学数字病理学
背景情况:
- 分段任何模型 (SAM) 是图像分割的强大基础模型.
- 它训练了超过10亿个口罩,并支持使用各种提示符进行零射击细分.
- 由于培训数据有限,SAM的功能对医学图像分析具有吸引力,特别是在数字病理学中.
研究的目的:
- 评估SAM模型在整个幻灯片成像 (WSI) 上的零射击细分性能.
- 评估SAM在代表性数字病理学任务中的有效性:瘤细分,非瘤组织细分和细胞核细分.
主要方法:
- 在零射击设置中使用了分段任何模型 (SAM).
- 应用SAM到整个幻灯片图像 (WSIs) 进行细分任务.
- 对瘤,非瘤组织和细胞核细分的评估性能.
主要成果:
- 对于大型连接对象,SAM表现出了显著的细分性能.
- 该模型在密集实例对象细分方面没有始终取得令人满意的结果,即使有多个提示.
- 确定的局限性包括图像分辨率,多个尺度,提示选择,以及需要微调模型的需求.
结论:
- 零射击SAM模型在数字病理学中对大结构进行细分是有效的,但对于密集的对象细分需要改进.
- 未来的工作应该专注于用下游的病理细分数据对少数镜头进行微调,以提高复杂任务的性能.


