SAM2-Aug:在适应性辐射疗法中,基于先前知识的增强用于目标体积的自分化,使用分段任何东西模型2.

科学领域:

• 医学成像医学成像
• 人工智能在瘤学中的应用
• 放射治疗疗法 放射治疗疗法

背景情况:

• 准确的瘤细分对于有效的适应性辐射疗法 (ART) 是至关重要的.
• 目前的方法耗时且依赖于用户,影响治疗效率.
• 细分任何模型2 (SAM2) 显示了潜力,但需要提高瘤细分的准确性.

研究的目的:

• 为了增强细分任何模型2 (SAM2) 在ART中准确的瘤细分.
• 开发基于先前知识的增强策略,以提高SAM2的性能.
• 为ART瘤细分创建一个强大而高效的工具.

主要方法:

• 引入了两个增强策略:先前的MR图像/注释的上下文输入和增强的提示性稳定性.
• 实施随机界限框扩展和面具侵蚀/扩展,以便快速精制.
• 在One-Seq-Liver数据集上微调了增强模型 (SAM2-Aug),并在Mix-Seq-Abdomen和Mix-Seq-Brain数据集上进行了评估.

主要成果:

• SAM2-Aug获得了优异的子分数:0.86 (肝脏),0.89 (腹部) 和0.90 (大脑).
• 超越了现有的卷积式,基于变压器和提示驱动的细分模型.
• 在各种瘤类型和成像序列中表现出强烈的概括性,具有改进的边界敏感度量.

结论:

• 预先图像集成和提示多样性显著提高了细分的准确性和通用性.
• 在ART中,SAM2-Aug为瘤细分提供了强大而高效的解决方案.
• 开发的代码和模型将公开发布,以促进进一步的研究和应用.