[使用任何部分模型对腹部脂肪组织进行零射击细分]
1Department of Radiological Technology, Gunma Prefectural College of Health Sciences.
Nihon Hoshasen Gijutsu Gakkai zasshi
|September 18, 2025
概括
细分任何模型 (SAM) 和其医疗变体 (MedSAM) 在CT扫描上对细分内脏脂肪的有效性有限. 一个受监督的U-Net模型显著优于脂肪组织量化这些一般基础模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 预防医学 预防医学
背景情况:
- 准确的体脂分布量化对于公共健康至关重要.
- 在CT扫描中的内脏脂肪区域是代谢障碍的关键指标.
研究的目的:
- 评估SAM和MedSAM在腹部CT图像上的脂肪组织划分的零射击细分性能.
- 将基础模型与监督的U-Net进行比较,以对内脏和皮下脂肪进行细分.
主要方法:
- 利用公开的腹部脂肪组织CT数据集与专家注释.
- 使用点提示以与SAM和MedSAM进行细分.
- 将基础模型与监督的U-Net架构进行比较.
主要成果:
- 对于内脏脂肪细分的平均子得分是:SAM (0.59),MedSAM (0.29),U-Net (0.93) 的平均得分.
- 萨姆显示中等性能;MedSAM的有效性有限.
- 与监督的U-Net.相比,基金会模型显示出显著的绩效差距.
结论:
- SAM和MedSAM在专门的医学成像任务 (如脂肪组织量化) 中表现出局限性.
- 针对特定任务的微调和快速工程是必要的,以提高基础模型在医疗应用中的性能.
- 需要进一步的研究来提高AI模型对脂肪细分的临床实用性.
