最大规模评测！通用AI大模型SegmentAnything在医学影像分割的性能究竟如何？|世界即时看

【资料图】

本期为您推荐一篇医学图像分析领域的最新研究成果：

近半年来，ChatGPT、DALL·E等引发了大规模基础AI模型的狂潮。4月初，Meta AI 发布第一个用于图像分割的大规模基础模型Segment Anything Model (SAM)。SAM最大的亮点是它对未知的数据集和任务具有良好的零样本（zero-shot）分割性能。分割过程可全自动（Everything模式）或由不同的手工提示（Prompt模式）驱动，例如，文字、点和方框。

为了全面评估分析SAM在医学影像分割上的表现，团队收集并标准化了52个公共数据集，最终整理构建了一个包含16种影像模态和68种生物医学领域分割目标（表1）的大型医学影像分割数据集COSMOS 553K，数据集的展示见图1，统计信息见图2。

SAM提供不同类型的分割提示Prompt，包括点和方框等。点的提示包括表示前景的正样本和表示背景的负样本点。方框表示需要分割的物体的区域。我们的测试策略包括Everything模式：自动分割(S1H,S1B)以及Prompt模式：单个正样本点(S2)、五个正样本点(S3)、五个正样本点和五个负样本点(S4)、单个方框(S5)、单个方框和单个正样本点(S6)，图3展示了我们设计的SAM测试框架。

本研究全面地评估了SAM的各种模式在大规模、多样化的医学影像数据集上的分割性能，DICE指标评估结果如图4所示。

本期供稿丨黄雨灏