使用SegmentAnything模型2为零拍摄腹部器官的3D细分在计算机断层扫描中,以适应3D医学成像的视频跟踪能力:算法开发和验证
Yosuke Yamagishi1, Shouhei Hanaoka1,2, Tomohiro Kikuchi3,4
1Division of Radiology and Biomedical Engineering, Graduate School of Medicine, The University of Tokyo, 7-3-1 Hongo, Bunkyo-ku, Tokyo, 113-8655, Japan, 81 3-3815-5411.
JMIR AI
|July 4, 2025
概括
细分任何东西模型2 (SAM2) 显示了CT扫描中自动化3D医疗图像细分的前景,特别是在较大的腹部器官. 提示符设置显著影响细分精度.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 医学图像细分对于诊断和治疗计划至关重要,但通常需要人工努力和专业数据.
- 细分任何模型2 (SAM2) 提供了自动化3D医疗图像细分的潜力,无需特定领域的培训.
- 在腹部CT成像中SAM 2的有效性目前尚未被探索.
研究的目的:
- 评估SAM 2的零射击性能,用于CT扫描中腹部器官的3D细分.
- 为了研究提示符设置对SAM 2的细分精度的影响.
主要方法:
- 这是一项回顾性研究,使用了来自八所机构的TotalSegmentator CT数据集的子集.
- 评估了SAM 2对八个腹部器官的细分,从三个z坐标水平开始.
- 使用子相似系数 (DSC) 测量性能,并分析负提示的影响.
主要成果:
- 肝脏 (DSC 0.821) 和脏 (DSC 0.891) 等较大的器官显示出高的零射击细分性能.
- 较小的器官,包括胆囊 (DSC 0.531) 和胰腺 (DSC 0.361),性能较低.
- 最初的切片选择和负面提示显著影响了结果; 删除负面提示减少了六个器官的DSC.
结论:
- 在CT扫描中,SAM 2在某些腹部器官,特别是较大的器官中展示了有希望的零射击细分.
- 分段精度受到负提示和初始切片选择的显著影响.
- 优化提示工程和切片选择对于最大限度地提高SAM 2在医学成像中的实用性至关重要.
