Segment Anything Model (SAM) 在 2D 医学影像中的零样本性能：综合评估与实用指南
计算机视觉与模式识别
2023-05-09 v2 人工智能
摘要
医学影像中的分割是各种疾病和医疗状况诊断、监测与治疗的 critical 组成部分。目前，医学分割领域由众多专门的深度学习模型主导，每个模型都针对特定的分割任务和图像模态进行了微调。近期推出的 Segment Anything Model（SAM）采用 ViT 神经架构并利用大规模训练数据集来分割几乎任意对象；然而，其在医学领域的适用性尚未被研究。在本研究中，我们通过在来自四种成像模态（包括 X 射线、超声、皮肤镜和结肠镜）的六个数据集上实施八种不同的提示策略，探索了 SAM 在医学影像中的零样本性能。我们的结果表明，SAM 的零样本性能不仅可与当前最先进水平相媲美，而且在某些情况下超越了当前 SOTA。基于这些结果，我们提出了实用指南，所需交互极少，同时能在所有评估情境中稳定产生鲁棒结果。源代码以及所推荐指南的演示可在 https://github.com/Malta-Lab/SAM-zero-shot-in-Medical-Imaging 获取。
引用
@article{arxiv.2305.00109,
title = {Zero-shot performance of the Segment Anything Model (SAM) in 2D medical imaging: A comprehensive evaluation and practical guidelines},
author = {Christian Mattjie and Luis Vinicius de Moura and Rafaela Cappelari Ravazio and Lucas Silveira Kupssinskü and Otávio Parraga and Marcelo Mussi Delucis and Rodrigo Coelho Barros},
journal= {arXiv preprint arXiv:2305.00109},
year = {2023}
}
备注
18 pages, 3 Tables, 10 Figures with additional supplementary material with 1 Table