Die Studie stellt MedSAM, ein Grundlagenmodell für die universelle Segmentierung medizinischer Bilder, vor. MedSAM wurde auf einem umfangreichen Datensatz mit über 1,5 Millionen Bild-Maske-Paaren trainiert, der 10 Bildgebungsmodalitäten und über 30 Krebsarten abdeckt.
Durch umfassende interne und externe Validierungen hat MedSAM gezeigt, dass es die Leistung des aktuellen State-of-the-Art-Segmentierungsgrundlagenmodells deutlich übertrifft und mit oder sogar über spezialisierten Modellen liegt, die für einzelne Modalitäten trainiert wurden. MedSAM kann präzise und effizient eine breite Palette anatomischer Strukturen und pathologischer Regionen segmentieren, was sein großes Potenzial für die Beschleunigung der Entwicklung neuer diagnostischer und therapeutischer Werkzeuge unterstreicht.
Darüber hinaus zeigt die Studie, dass eine Skalierung des Trainingsdatensatzes auf eine Million Bilder die Leistung von MedSAM sowohl auf internen als auch externen Validierungssätzen deutlich verbessert. Außerdem kann MedSAM die Annotationszeit für medizinische Bilder erheblich reduzieren, indem es die Experten bei der Segmentierung unterstützt.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Jun Ma,Yutin... alle arxiv.org 04-02-2024
https://arxiv.org/pdf/2304.12306.pdfDomande più approfondite