对"零射击"通用细分模型的评估:对脑膜瘤MRI上的"任何细分模型"的分析
Rushmin Khazanchi1, Sachin Govind1, Harrshavasan T Congivaram1
1From the Feinberg School of Medicine (R.K., S.G., H.T.C., R.J., N.S.S) and Department of Neurological Surgery (S.T.M,). Northwestern University, Chicago, Illinois, United States of America.
AJNR. American journal of neuroradiology
|April 25, 2025
概括
细分任何模型2 (SAM2) 显示了细分脑膜瘤MRI的前景,其性能通过基于轮的提示和组合显著提升. 对小瘤需要进一步的研究.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于神经瘤学
- 医疗图像细分 医疗图像细分
背景情况:
- 零射击细分算法,如细分任何模型2 (SAM2),为自动化医疗图像细分提供了潜在的潜力.
- 脑膜瘤是一种常见的原发性脑瘤,需要准确的细分来规划治疗.
研究的目的:
- 评估SAM2在细分脑膜瘤MRI中的性能.
- 通过交互式提示和组合来探索提高SAM2细分精度的策略.
主要方法:
- SAM2被应用于来自2023年BraTS手术前脑膜瘤数据集的T1加权MRI.
- 开发了基于点击和基于轮的交互式增强策略,以模仿放射科医生的工作流程.
- 实施了一种新的定向共识组合方法.
- 使用子相似系数 (DSC) 和跨模型代和临床子组的统计分析来评估性能.
主要成果:
- 在690个脑膜瘤中,SAM2实现了0.785的零射击细分.
- 基于点击和基于轮的增强显著提高了性能,达到0.876和0.872 (p < 0.001).
- 定向组合进一步增强了细分到0.921 (p < 0.001).
- 较小的瘤体积和没有周胀的瘤更难分段 (p < 0.001).
结论:
- SAM2证明了脑膜瘤MRI的可行零射击细分能力.
- 基于轮的提示和定向组合大大提高了细分的准确性.
- 辅助零射击细分模型显示了帮助神经放射学家在脑膜瘤图像分析中的希望.
- 未来的工作重点应该是改善对具有挑战性的病例,如小瘤的细分.
