Segment Anything Model (SAM) 用于脑肿瘤分割的实证评估
图像与视频处理
2023-10-11 v1
摘要
脑肿瘤分割是医学图像分割领域的一项艰巨挑战。尽管深度学习模型已有助益，人类专家分割仍是最准确的方法。近期发布的 Segment Anything Model（SAM）为将基础模型应用于这一困难任务提供了机会。然而，SAM 主要在多样化的自然图像上训练，这使其应用于生物医学分割（如边界较不明确的脑肿瘤）具有挑战性。本文中，我们使用 Decathlon 脑肿瘤数据集通过迁移学习增强了 SAM 的掩码解码器。我们开发了三种方法将四维数据封装为三维以适配 SAM。采用结合旋转与弹性变形的即时数据增强方法来增加训练数据集规模。应用两个关键指标：Dice 相似系数（DSC）和 Hausdorff 距离第 95 百分位数（HD95）来评估我们分割模型的性能。这些指标为分割结果质量提供了有价值的见解。在我们的评估中，将该改进模型与两个基准进行比较：预训练 SAM 与广泛使用的模型 nnUNetv2。我们发现改进 SAM 相较预训练 SAM 有显著改进，而 nnUNetv2 在整体分割精度上优于改进 SAM。尽管如此，改进 SAM 表现出比 nnUNetv2 略更一致的结果，尤其在可能导致较大 Hausdorff 距离的困难病例上。未来可应用更先进的技术以进一步提升 SAM 在脑肿瘤分割上的性能。
引用
@article{arxiv.2310.06162,
title = {Empirical Evaluation of the Segment Anything Model (SAM) for Brain Tumor Segmentation},
author = {Mohammad Peivandi and Jason Zhang and Michael Lu and Dongxiao Zhu and Zhifeng Kou},
journal= {arXiv preprint arXiv:2310.06162},
year = {2023}
}