数据集大小对微调神经解剖细分的基础模型的影响:测试基础模型假设
Karthik Nair1, Narjes Razavian1, Yvonne W Lui1
1Department of Radiology, NYU Grossman School of Medicine, New York, New York, USA.
Medical physics
|February 17, 2026
概括
像SAM和MedSAM这样的基础模型在细分神经解剖结构方面没有超过标准UNet模型,即使数据有限. 需要进一步的研究来确定它们在特定医学成像应用中的真正价值.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 基础模型利用大型数据集来完成医学成像任务.
- 假设它们在稀缺的注释数据上是有效的.
- 本研究通过将基础模型与标准方法进行比较,挑战了这一假设.
研究的目的:
- 评估分段任何模型 (SAM) 和医疗SAM (MedSAM) 在细分神经解剖结构中的性能.
- 将微调的基础模型与各种数据集大小的标准UNet模型进行比较.
- 以有限的培训数据来评估基础模型的效率.
主要方法:
- 使用了来自人类结合体项目的1113个T1加权3DMRI.
- 微调SAM,MedSAM和UNet模型用于神经解剖细分.
- 使用Dice的评分对包括零射击在内的不断减少的数据集大小进行评价.
- 对93个灰色和白色物质区域的细分精度进行比较.
主要成果:
- 使用完整训练集的UNet表现优于MedSAM和SAM (中位数是0.88对0.82/0.84).
- 随着数据的减少,UNet 保持了更高或相同的性能,只剩下一个MRI.
- 零射击基础模型实现了适度的细分 (中位数是0.66/0.59).
结论:
- 基础模型 (SAM,MedSAM) 在神经解剖细分方面没有超过UNet,即使数据最小.
- 对于低数据设置中的基础模型优越微调性能的假设没有得到支持.
- 与标准监督方法进行基准测试对于证明特定应用的基础模型价值至关重要.
