SAM系列模型在CT扫描中骨骼分割的零样本能力
计算机视觉与模式识别
2024-11-14 v1
摘要
Segment Anything Model（SAM）及类似模型构建了一系列用于图像和视频分割的可提示基础模型（FM）。感兴趣的对象通过提示（如边界框或点）来识别。随着这些FM成为医学图像分割的一部分，需要进行广泛的评估研究以评估其在临床环境中的优缺点。由于性能高度依赖于所选的提示策略，因此研究不同的提示技术以定义确保在医学图像分割中有效使用的最佳指南非常重要。目前，尚无专门针对CT扫描中骨骼分割的评估研究，这留下了理解该任务性能的空白。因此，我们使用由边界框、点及其组合组成的非迭代、“最优”提示策略，在三个不同骨骼区域上测试SAM系列模型用于骨骼CT分割的零样本能力。我们的结果表明，最佳设置取决于模型类型和大小、数据集特征以及要优化的目标。总体而言，使用边界框结合对象所有组件的中心点进行提示的SAM和SAM2在所有测试设置中产生最佳结果。由于结果取决于多个因素，我们为使用非交互式“最优”提示的二维提示提供了知情决策指南。
引用
@article{arxiv.2411.08629,
title = {Zero-shot capability of SAM-family models for bone segmentation in CT scans},
author = {Caroline Magg and Hoel Kervadec and Clara I. Sánchez},
journal= {arXiv preprint arXiv:2411.08629},
year = {2024}
}