SAMRI-2：一种用于膝关节 3D MRI 中的软骨和髌腱分割的数据驱动模型
图像与视频处理
2026-02-24 v1 人工智能
计算机视觉与模式识别
摘要
通过 MRI 精准评估软骨结构——如厚度和体积——对于监测膝关节骨关节炎至关重要。软骨分割仍具有挑战性，取决于大量专家标注的数据集，而这些数据集受到读者间变异性的影响。近期在视觉基础模型 (VFM) 方面的进展，特别是数据驱动的方法，为提高通用性和鲁棒性提供了机会。本研究介绍了一种深度学习 (DL) 方法，用于从 3D MRI 中对软骨和髌腱进行分割，采用交互式、数据驱动的 VFMs。为提高空间感知能力和收敛性，我们在训练期间引入了混合洗牌策略 (HSS)，并应用分割掩码传播技术以提高标注效率。我们在来自 270 名患者的公共数据集和内部数据集上训练了四个 AI 模型——一种基于 CNN 的 3D-VNet、两个自动基于变换器的模型 (SaMRI2D 和 SaMRI3D)，以及一种基于变换器的可提示记忆数据驱动 VFM (SAMRI-2)，并在 57 例外部案例上进行评估，其中包括来自不同数据获取方式的多 Radiologist 标注。通过 Dice 评分 (DSC) 和 Intersection over Union (IoU) 评估了模型性能，除此之外还进行了额外的形态学评估以进一步量化分割精度。经过 HSS 训练的 SAMRI-2 模型超过了所有其他模型，实现了平均 DSC 提升 5 分，最高提升 12 分（针对髌骨软骨）。它还显示出最低的软骨厚度误差，将差异降低最高可达三倍。值得注意的是，SAMRI-2 即使仅需每个体积三次用户点击即可保持高性能，大幅减少了标注工作量，同时确保解剖学精确性。这一具备空间感知的数据驱动 VFM 为可靠的 AI 辅助膝关节 MRI 分割提供了新方法，推动了骨科成像中的深度学习应用。
引用
@article{arxiv.2502.10559,
title = {SAMRI-2: A Memory-based Model for Cartilage and Meniscus Segmentation in 3D MRIs of the Knee Joint},
author = {Danielle L. Ferreira and Bruno A. A. Nunes and Xuzhe Zhang and Laura Carretero Gomez and Maggie Fung and Ravi Soni},
journal= {arXiv preprint arXiv:2502.10559},
year = {2026}
}