基于图谱辅助的任意分割模型用于胎儿脑部MRI分割 (FeTal-SAM)
计算机视觉与模式识别
2026-01-23 v1 机器学习
摘要
本文提出了FeTal-SAM，这是对任意分割模型（SAM）的一种新颖改进，专为胎儿脑部MRI分割而定制。传统的深度学习方法通常需要针对固定标签集的大型标注数据集，当临床或研究需求发生变化时，这些方法便缺乏灵活性。通过整合基于图谱的提示和基础模型原理，FeTal-SAM解决了胎儿脑部MRI分割中的两个关键局限：（1）需要为不同的标签定义重新训练模型，以及（2）缺乏对分割是由真实的图像对比度还是由学习到的空间先验驱动的洞察。我们利用多图谱配准来生成空间对齐的标签模板，这些模板作为密集提示，与边界框提示一起，用于SAM的分割解码器。该策略能够对每个结构进行二值分割，随后将其融合以重建完整的3D分割体积。在两个数据集（dHCP数据集和一个内部数据集）上的评估表明，FeTal-SAM在不同孕周均表现出稳健的性能。值得注意的是，对于皮质板和等对比度良好的结构，它取得了与为每个数据集和标签定义训练的最新基线相当的Dice分数，同时保持了分割任何用户指定解剖结构的灵活性。尽管对于细微、低对比度的结构（例如海马体、杏仁核）观察到精度略低，但我们的结果突显了FeTal-SAM作为一种无需详尽重新训练的通用分割模型的潜力。因此，该方法构成了迈向临床适应性胎儿脑部MRI分析工具的重要一步。
引用
@article{arxiv.2601.15759,
title = {Atlas-Assisted Segment Anything Model for Fetal Brain MRI (FeTal-SAM)},
author = {Qi Zeng and Weide Liu and Bo Li and Ryne Didier and P. Ellen Grant and Davood Karimi},
journal= {arXiv preprint arXiv:2601.15759},
year = {2026}
}