评估基础医学'Segment Anything'（Med-SAM1、Med-SAM2）深度学习模型在3D LGE MRI中左心房分割的应用
图像与视频处理
2024-11-12 v1 人工智能
计算机视觉与模式识别
摘要
心房颤动（AF）是最常见的心律失常，与心力衰竭和卒中密切相关。在三维延迟钆增强（LGE）磁共振成像中准确分割左心房（LA）有助于评估心房颤动，因为左心房心肌的纤维化重塑会促成心律失常，并是制定治疗策略的关键决定因素。然而，手动左心房分割工作量大且具有挑战性。近年来，如Segment Anything Model（SAM）等基础深度学习模型经过多样化数据集预训练，在通用分割任务中展现出前景。MedSAM是SAM的医学微调版本，可在无需领域特定训练的情况下实现高效的零样本分割。尽管MedSAM模型潜力巨大，但尚未在3D LGE-MRI中左心房分割这一复杂任务上进行评估。本研究旨在：(1) 评估MedSAM在自动化左心房分割中的性能；(2) 比较使用单提示与自动跟踪的MedSAM2模型与需要对每个切片分别给出提示的MedSAM1模型的性能；(3) 通过改变框提示的大小和位置，分析MedSAM1在Dice系数（即分割准确率）方面的性能。
引用
@article{arxiv.2411.05963,
title = {Assessing Foundational Medical 'Segment Anything' (Med-SAM1, Med-SAM2) Deep Learning Models for Left Atrial Segmentation in 3D LGE MRI},
author = {Mehri Mehrnia and Mohamed Elbayumi and Mohammed S. M. Elbaz},
journal= {arXiv preprint arXiv:2411.05963},
year = {2024}
}