When SAM Meets Medical Images: An Investigation of Segment Anything Model (SAM) on Multi-phase Liver Tumor Segmentation

要約

タイトル「SAMが医療画像に適用された場合：マルチフェーズ肝腫瘍セグメンテーションにおけるSegment Anything Model（SAM）の調査」

要約：
– 人間には大規模なサンプルがなくてもセグメンテーションする能力がある
– Segment Anything Model (SAM)は、ゼロショット画像セグメンテーションを行い、コンピュータビジョンコミュニティから注目を集めている
– 本研究では、SAMの能力を医療画像解析、特にマルチフェーズ肝腫瘍セグメンテーション（MPLiTS）において、プロンプト、データ解像度、段階の観点で検討する
– 実験結果は、SAMと期待される性能の間に大きなギャップがあることを示している
– 幸いなことに、定性的な結果は、SAMが対話型医療画像セグメンテーションコミュニティの強力な注釈ツールであることを示している

要点:
– 人間は大規模なサンプルがなくてもセグメンテーションする能力がある
– Segment Anything Model (SAM)はゼロショット画像セグメンテーションを行い、コンピュータビジョンコミュニティから注目を集めている
– SAMの能力を医療画像解析、特にマルチフェーズ肝腫瘍セグメンテーション（MPLiTS）において、プロンプト、データ解像度、段階の観点で検討する
– 実験結果は、SAMと期待される性能の間に大きなギャップがあることを示している
– 定性的な結果は、SAMが対話型医療画像セグメンテーションコミュニティの強力な注釈ツールであることを示している

要約(オリジナル)

Learning to segmentation without large-scale samples is an inherent capability of human. Recently, Segment Anything Model (SAM) performs the significant zero-shot image segmentation, attracting considerable attention from the computer vision community. Here, we investigate the capability of SAM for medical image analysis, especially for multi-phase liver tumor segmentation (MPLiTS), in terms of prompts, data resolution, phases. Experimental results demonstrate that there might be a large gap between SAM and expected performance. Fortunately, the qualitative results show that SAM is a powerful annotation tool for the community of interactive medical image segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI