Core Concepts
SAMを使用したクラウドソーシングアノテーションの有効性と3D DLセグメンテーションモデルへの適用可能性を探る。
Abstract
医用画像セグメンテーションの注釈作業は労力と時間がかかる。
SAMは様々な領域で優れた汎化能力を持つ。
SAM生成の注釈は高いDiceスコアを示すが、nnU-Netモデルで訓練する際に問題が発生。
クラウドソーシングされた注釈に品質評価が重要。
3Dセグメンテーション向けの特化した基盤モデル開発が必要。
非専門家によるアノテーションは信頼性や品質管理が課題。
1. 導入
医用画像セグメンテーションは臨床的意思決定支援において重要。
ディープラーニング(DL)モデル開発は専門家による手作業注釈が必要。
2. 方法
SAMを使用してクラウドソーシングされた「sparse」注釈を生成し、3D DLセグメンテーションモデルを訓練。
3. 結果
SAM生成の注釈は高いDiceスコアを示すが、nnU-Netモデルで訓練する際に問題が発生。
クラウドソーシングされた非専門家による注釈では品質評価が重要。
4. 議論
現在の方法論上の制限から、非専門家によるアノテーション導入前に注意が必要。
3Dセグメンテーション向けの特化した基盤モデル開発と品質評価手法の組み込みが必要。
Stats
SAMは11億以上のセグメンテーショントレーニングマスク付き1100万枚以上の画像からトレーニングされています。
nnU-Netモデルはp < 0.001で地面事実注釈と比較してSAM生成注釈で訓練された場合に明らかに悪いパフォーマンスを示します。
Quotes
"クラウドソース化されたアプローチでは、非専門家もどこからでも医用画像をアノテートする可能性があります。"
"品質評価は低品質な注釈を除外し、高品質なものだけを保持するために重要です。"