基于 SAM 的脑功能磁共振成像中的脑提取模型
本文对比研究了 Segment Anything Model 与当前广泛应用的 BET 技术在用于脑扫描的 MRI 数据中的效果差异并发现,在信号不均匀、像素分辨率不同、或者存在于脑和脑膜外侧部分的损伤等情况下,SAM 表现更佳,有望成为更准确、稳健和多用途的脑分割工具。
Apr, 2023
最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的,但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日至 9 月 30 日这段重要的首次出版后六个月的时期,我们研究了 SAM 在解决长期临床挑战方面所需的改进和整合,特别关注了我们分析的 33 个开放数据集。尽管 SAM 在许多应用中达到了或超越了最先进的性能水平,但在一些方面仍存在不足,例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了 SAM 的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。
Jan, 2024
深度学习模型在大量数据训练下已成为最近有效的预测问题解决方法,研究了基于自然图像训练的基础模型在磁共振成像数据上的分割任务性能,结果表明这些模型虽然在少数情况下可接受,但根据整体趋势,它们在整个体积的磁共振成像分割上不够有效,而在少数特定切片上表现良好,这提示基于自然图像训练的基础模型可能在其他成像模态上效果不佳。
Dec, 2023
通过实验探究 SAM 模型对 12 个不同器官、图像模式和健康情况的医学图像数据集的精确度及其在医学图像分割方向上的应用前景,发现 SAM 模型在没有重新训练医学图像时准确度没有 U-Net 和其他深度学习模型高。
Apr, 2023
本研究通过使用深度学习方法自动分割头颈部癌症的肿瘤体积,并在使用不同模态图像进行 fine-tuning 的情况下对模型性能进行评估。结果表明,在使用边界框提示的情况下,对 SAM 进行 fine-tuning 可以显著提高其分割准确度,为半自动头颈部癌症肿瘤体积分割开辟了一个有前景的途径。
Feb, 2024
SAM 是用于图像分割的第一个通用基础模型,能以自动或手动提示的方式进行零 - shot 图像分割,并在不同的自然图像分割任务中取得了令人瞩目的成绩。但在医学图像分割方面仍然存在一定挑战,SAM 在某些情况下表现出色,但需要结合手动标注才能取得更好的表现。
Apr, 2023
本研究提出了一种创新方法,将 Segment Anything Model(SAM)与投票网络相结合,用于多模态脑胶质瘤分割,并通过使用边界框指导提示(SAMBA)来适应非洲数据集的复杂性。我们的集成策略利用多种模态和视图,产生了一个稳健的共识分割,解决了肿瘤内部异质性问题。虽然扫描质量低提出了困难,但我们的方法有潜力在非洲等资源有限的环境中深远影响临床实践,改善治疗决策并推动神经肿瘤学研究。此外,未来成功应用于其他脑肿瘤类型和病变有望在神经影像学上带来更广泛的转变,改善所有环境下的医疗结果。该研究在脑肿瘤分割(BraTS)挑战非洲(BraTS-Africa)数据集上进行,该数据集为解决特定于资源有限环境,特别是非洲人口的挑战,促进了有效和更具一般性的分割算法的发展提供了宝贵资源。为了说明我们的方法的潜力,我们在 BraTS-Africa 数据集上的实验证明了令人信服的结果,其中 SAM 在二元分割和多类别分割上的 Dice 系数分别为 86.6 和 60.4。
Dec, 2023
通过综述快速模型(SAM)在医学图像分割领域的应用,本文总结了对 SAM 在医学图像分割任务中的有效性进行扩展的最近努力,并探讨了未来 SAM 在医学图像分割中的研究方向。尽管直接应用 SAM 到多模态和多目标医学数据集的图像分割上表现不够令人满意,但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。
Jan, 2024