相关实验视频
Updated: Jan 10, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
725
适应还是专业化? 针对胎儿腹部细分的适应SAM与特定任务CNN的综合评估
Maria Chiara Fiorentino1, Lorenzo Federici1, Alessandro Pietro La Camera2
1Department of Information Engineering, Marche Polytechnic University, Ancona, Italy.
Computer methods and programs in biomedicine
|November 28, 2025
概括
与传统的CNN相比,适应的分段任何模型 (SAM) 变体在分段胎儿腹部超声图像方面表现优越. 这些先进的模型提高了内部器官识别的准确性,有助于产前查.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胎儿医学 胎儿医学
背景情况:
- 胎儿腹部超声波 (US) 对于产前查至关重要,但由于解剖变异和图像质量,细分内部器官具有挑战性.
- 目前的方法主要集中在生物识别测量上,忽视了内部器官细分.
- 像分段任何模型 (SAM) 这样的基础模型提供了潜力,但需要对胎儿的美国进行评估和适应.
研究的目的:
- 为了比较特定任务的卷积神经网络 (CNN) 与适应的分段任何模型 (SAM) 变体的性能,用于胎儿腹部器官细分.
- 评估零射击,预训练和微调的SAM模型在这种特定的临床环境中的有效性.
主要方法:
- 将各种CNN架构 (UNet,Attention UNet,nnUNet,DeepLabv3+) 与适应的SAM模型 (零射击,预训练,微调) 相比较.
- 利用美国胎儿腹部图像的数据集与肝脏,胃,动脉和静脉的手动细分.
- 通过使用子相似系数 (DSC),交叉点在欧盟 (IoU) 和精度进行评估性能,并进行统计学意义测试.
主要成果:
- 零射击SAM变种表现出低于最佳的性能,特别是对于小型或低对比度结构.
- 调整后的SAM模型显著优于CNN,获得高的DSC分数 (例如,肝脏0.90,动脉0.80).
结论:
- 适应的SAM模型在超声波中为胎儿腹部器官细分提供了与传统CNN相比的显著进步.
- 与SAM的基于提示的交互促进了半自动化的人在循环工作流程,提高了产前诊断的临床适用性.
