转移性病变的脊椎椎的零射击细分:对Meta的SegmentAnything模型2的分析以及影响学习自由细分的因素
Neurosurgical focus
|July 1, 2025
概括
生成型人工智能,分段任何东西模型2 (SAM 2),在脊髓转移成像中显示出对零射击脊椎分段的承诺. 虽然准确,但性能因脊椎位置和患者特征而异.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的脊椎细分对于诊断和治疗脊髓转移至关重要.
- 传统的方法,如手动审查和深度学习有局限性 (时间,数据要求).
- 生成型人工智能,如Segment Anything Model 2 (SAM 2),提供了快速,零拍摄图像分割的潜力.
研究的目的:
- 为了评估SAM 2在对转移的脊椎进行细分的疗效.
- 评估SAM 2在脊柱CT扫描上的零射击细分能力.
主要方法:
- 利用一个公共数据集的脊柱CT扫描与地面真相细分.
- 在没有事先培训的情况下,应用SAM 2进行脊椎零射击细分.
- 使用子相似系数 (DSC) 将SAM 2细分与黄金标准进行比较.
主要成果:
- 在779个脊椎中,SAM 2实现了0.833±0.053的平均体积DSC.
- 对胸椎和腰椎的细分性能明显较低.
- 在性别和BMI类别 (肥胖者与非肥胖者) 之间观察到绩效差异.
结论:
- 在没有预训练的情况下,SAM 2的脊椎细分精度与经过训练的模型相比相当.
- 未来的工作应该优化模型的解剖变异和成像质量.
