基于AI的MRI脑肿瘤分割基准测试
计算机视觉与模式识别
2025-06-27 v1
摘要
医学图像分割极大地辅助了医学诊断,其中基于U-Net的架构和nnU-Net提供了最先进的性能。近年来出现了大量通用的可提示模型和医学变体,但目前缺乏在公共医学数据集上对这些模型在不同提示质量下的评估和比较。本研究使用Segment Anything Model (SAM)、Segment Anything Model 2 (SAM 2)、MedSAM、SAM-Med-3D和nnU-Net,在BraTS 2023成人胶质瘤和儿科数据集上,针对点和边界框的多种提示质量进行零样本推理。其中几个模型展现出有前景的Dice分数,特别是SAM和SAM 2在给定极其精确的边界框提示时,分别达到了0.894和0.893的分数,超过了nnU-Net的分割性能。然而,由于向模型提供高度精确的提示不切实际,nnU-Net仍然是占主导地位的医学图像分割网络。通过在儿科数据集上微调SAM、SAM 2、MedSAM和SAM-Med-3D,进一步扩展了模型和提示评估以及比较。微调后点提示性能的提升是显著的,并为未来的研究展现了前景,但无法实现优于边界框或nnU-Net的分割效果。
引用
@article{arxiv.2506.20786,
title = {AI-Driven MRI-based Brain Tumour Segmentation Benchmarking},
author = {Connor Ludwig and Khashayar Namdar and Farzad Khalvati},
journal= {arXiv preprint arXiv:2506.20786},
year = {2025}
}