基础模型真的能分割肿瘤吗？一项肺部CT影像中的基准评测之旅
图像与视频处理
2026-02-16 v1 计算机视觉与模式识别
摘要
精确的肺部肿瘤分割对于改善肿瘤学中的诊断、治疗规划和患者预后至关重要。然而，肿瘤形态、大小和位置的复杂性给自动化分割带来了重大挑战。本研究对基于深度学习的分割模型进行了全面的基准评测分析，比较了U-Net和DeepLabV3等传统架构、nnUNet等自配置模型以及MedSAM和MedSAM~2等基础模型。通过在两个肺部肿瘤分割数据集上评估性能，我们评估了在不同学习范式（包括少样本学习和微调）下的分割精度和计算效率。结果表明，传统模型在肿瘤描绘方面存在困难，而基础模型，特别是MedSAM~2，在精度和计算效率上均优于它们。这些发现强调了基础模型在肺部肿瘤分割方面的潜力，突显了其在改善临床工作流程和患者预后方面的适用性。
引用
@article{arxiv.2505.01239,
title = {Can Foundation Models Really Segment Tumors? A Benchmarking Odyssey in Lung CT Imaging},
author = {Elena Mulero Ayllón and Massimiliano Mantegna and Linlin Shen and Paolo Soda and Valerio Guarrasi and Matteo Tortora},
journal= {arXiv preprint arXiv:2505.01239},
year = {2026}
}