前列腺影像中分割基础模型的实证分析

大多数最先进的医学图像分割技术依赖于深度学习模型。然而，这些模型通常以有监督方式在狭义定义的任务上训练，需要昂贵的标注数据集。近期在多个机器学习领域（如自然语言生成）的进展已证明了构建基础模型的可行性与效用，这些模型只需极少或无需标注数据即可定制用于各种下游任务。这很可能代表医学影像的范式转变，我们预期基础模型可能塑造该领域的未来。在本文中，我们考虑一个近期开发的医学图像分割基础模型 UniverSeg。我们在前列腺影像背景下进行实证评估研究，并将其与训练任务特定分割模型的传统方法进行比较。我们的结果与讨论强调了在医学图像分割基础模型的开发与采用中可能重要的若干关键因素。