MOIS-SAM2：用于全身MRI多发性神经纤维瘤多病灶交互式分割的基于示例的Segment Anything Model 2
图像与视频处理
2026-01-05 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
背景与目的：1型神经纤维瘤病是一种遗传性疾病，其特征是全身出现大量神经纤维瘤。全身MRI（WB-MRI）是检测和纵向监测NF肿瘤生长的临床标准。现有的交互式分割方法无法将高病灶级精度与对数百个病灶的可扩展性相结合。本研究提出了一种针对该挑战的新型交互式分割模型。方法：我们引入了MOIS-SAM2，一种多目标交互式分割模型，它通过基于示例的语义传播扩展了SOTA的、基于Transformer的可提示Segment Anything Model 2（SAM2）。MOIS-SAM2在使用T2加权压脂序列采集的84名NF1患者的119次WB-MRI扫描上进行了训练和评估。数据集在患者层面被划分为一个训练集和四个测试集（一个同域测试集和三个反映不同域偏移场景的测试集，例如MRI场强变化、低肿瘤负荷、临床站点和扫描仪供应商差异）。结果：在同域测试集上，MOIS-SAM2的逐扫描DSC达到0.60，优于基线3D nnU-Net（DSC：0.54）和SAM2（DSC：0.35）。所提出模型的性能在MRI场强偏移（DSC：0.53）和扫描仪供应商变化（DSC：0.50）下得以保持，并在低肿瘤负荷病例中有所提升（DSC：0.61）。各测试集上的病灶检测F1分数介于0.62至0.78之间。初步的读者间变异性分析显示模型与专家的一致性（DSC：0.62-0.68）与专家间一致性（DSC：0.57-0.69）相当。结论：所提出的MOIS-SAM2能够以最少的用户输入和强大的泛化能力，实现对WB-MRI中NF的高效且可扩展的交互式分割，支持将其整合入临床工作流程。
引用
@article{arxiv.2509.19277,
title = {MOIS-SAM2: Exemplar-based Segment Anything Model 2 for multilesion interactive segmentation of neurofibromas in whole-body MRI},
author = {Georgii Kolokolnikov and Marie-Lena Schmalhofer and Sophie Goetz and Lennart Well and Said Farschtschi and Victor-Felix Mautner and Inka Ristow and Rene Werner},
journal= {arXiv preprint arXiv:2509.19277},
year = {2026}
}