Exploring the Zero-Shot Capabilities of the Segment Anything Model (SAM) in 2D Medical Imaging: A Comprehensive Evaluation and Practical Guideline

要約

タイトル：2D医療画像におけるSegment Anything Model（SAM）のゼロショット能力の探索：包括的評価と実践的ガイドラインを提供する

要約：

– 医療画像のセグメンテーションは、様々な疾患や状態の診断、監視、治療において重要な役割を果たす。
– 現在、医療領域におけるセグメンテーションの状況は、各セグメンテーションタスクや画像モダリティに対して微調整された多数の専門的な深層学習モデルに支配されている。
– 最近、新しいセグメンテーションモデルであるSegment Anything Model（SAM）が導入された。SAMは、ViTニューラルアーキテクチャを利用し、広範なトレーニングデータを活用して、ほぼあらゆるオブジェクトをセグメンテーションすることができる。
– しかし、その汎用性が医療領域においてどのように機能するかは調査されていない。
– この研究では、八つの異なるプロンプト戦略を使用して、四つの画像モダリティ（X線、超音波、皮膚顕微鏡検査、結腸鏡検査）の六つのデータセットで、SAM 2Dのゼロショット能力を医療画像において評価する。
– 結果は、SAMのゼロショット性能が現在の最先端と比較して同等であると、特定の場合では優れていることを示している。
– これらの発見に基づき、最小限の操作で堅牢な結果を生み出し、すべての評価コンテキストで堅牢な結果をもたらす実用的なガイドラインを提案している。

要約(オリジナル)

Segmentation in medical imaging plays a crucial role in diagnosing, monitoring, and treating various diseases and conditions. The current landscape of segmentation in the medical domain is dominated by numerous specialized deep learning models fine-tuned for each segmentation task and image modality. Recently, the Segment Anything Model (SAM), a new segmentation model, was introduced. SAM utilizes the ViT neural architecture and leverages a vast training dataset to segment almost any object. However, its generalizability to the medical domain remains unexplored. In this study, we assess the zero-shot capabilities of SAM 2D in medical imaging using eight different prompt strategies across six datasets from four imaging modalities: X-ray, ultrasound, dermatoscopy, and colonoscopy. Our results demonstrate that SAM’s zero-shot performance is comparable and, in certain cases, superior to the current state-of-the-art. Based on our findings, we propose a practical guideline that requires minimal interaction and yields robust results in all evaluated contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI