对SAM,SAM2,MedSAM和MedSAM2模型肺部细分的零射击性能进行比较评估
Hakan Buyukpatpat1, Ebru Akcapinar Sezer2, Mehmet Serdar Guzel3
1Department of Computer Engineering, Bartin University, Bartin, 74100, Turkey. hbuyukpatpat@bartin.edu.tr.
Journal of imaging informatics in medicine
|December 10, 2025
概括
肺部细分的新人工智能模型显示出不同的性能;像SAM和MedSAM这样的旧版本在界限框提示中表现出色,而SAM2在较少的点数中更好. 快速选择是准确的肺成像分析的关键.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的肺病诊断依赖于早期检测和监测.
- 高分辨率计算机断层扫描 (HRCT) 有助于可视化肺部结构.
- 在HRCT图像中的自动肺部细分提高了诊断准确度.
研究的目的:
- 在肺HRCT图像上评估SAM,SAM2,MedSAM和MedSAM2模型的零射击细分性能.
- 为了比较界限框和基于点的提示对肺部细分的有效性.
- 评估不同肺部疾病的模型性能和提示策略.
主要方法:
- 使用MedGIFT数据库进行HRCT肺部细分实验.
- 应用细分任何模型 (SAM) 家庭模型,没有再培训或微调.
- 调查的边界框提示来自地面真相和各种基于点的提示策略 (仅为正数,仅为负数,组合) 得到1-10分.
主要成果:
- 较旧的模型 (SAM,MedSAM) 在界限框细分方面表现优于较新的模型 (SAM2,MedSAM2).
- SAM2以更少的积分实现了更高的精度,而SAM则以更多的积分表现更好.
- 基于点的提示对结核病最有效;肺纤维化显示出最低的细分性能. 最高的子得分:SAM (96.076%),MedSAM (94.326%),SAM2 (92.912%),MedSAM2 (84.979%) 的得分.
结论:
- 模型和即时策略选择显著影响HRCT中的肺部细分精度.
- SAM模型家族显示出临床肺部成像的潜力,但性能高度依赖于提示.
- 需要进一步的研究,以优化对各种临床应用和肺病理的快速工程.
