计算机视觉基准 Segment-Anything 模型（SAM）在医学图像中的准确性：12 个数据集上的评测
图像与视频处理
2023-05-09 v3 计算机视觉与模式识别
摘要
背景：2023 年 4 月推出的 segment-anything 模型（SAM）作为一种基准模型和分割各类自然图像的通用方案展现出潜力。它无需针对每个新数据集进行先前所需的重新训练或微调。目的：测试 SAM 在各种医学图像分割任务中的准确性，并探究可能影响其在医学图像中准确性的潜在因素。方法：SAM 在 12 个公共医学图像分割数据集上进行了测试，涉及 7,451 名受试者。准确性通过算法分割掩码与真实掩码之间的 Dice 重叠来衡量。SAM 与五种专为医学图像分割任务设计的最先进（state-of-the-art）算法进行了比较。分别计算了 SAM 准确性与六个因素的独立及联合关联，包括由分割能力分数和 U-Net 中 Dice 重叠衡量的分割难度、图像维度、目标区域大小、图像模态和对比度。结果：在所有 12 个医学图像分割数据集中，SAM 的 Dice 重叠均显著低于五种基于医学图像的算法，差距达 0.1-0.5 甚至 0.6-0.7 Dice。SAM-Semantic 与医学图像分割难度和图像模态显著相关，SAM-Point 和 SAM-Box 与图像分割难度、图像维度、目标区域大小和目标-背景对比度显著相关。这三种 SAM 变体在 2D 医学图像、较大目标区域、具有较高分割能力分数和较高 U-Net Dice 的较容易病例以及较高前景-背景对比度下均更准确。
引用
@article{arxiv.2304.09324,
title = {Computer-Vision Benchmark Segment-Anything Model (SAM) in Medical Images: Accuracy in 12 Datasets},
author = {Sheng He and Rina Bao and Jingpeng Li and Jeffrey Stout and Atle Bjornerud and P. Ellen Grant and Yangming Ou},
journal= {arXiv preprint arXiv:2304.09324},
year = {2023}
}
备注
Technical Report