Can Foundation Models Really Segment Tumors? A Benchmarking Odyssey in Lung CT Imaging

要約

正確な肺腫瘍のセグメンテーションは、腫瘍学の診断、治療計画、患者の転帰を改善するために極めて重要である。しかし、腫瘍の形態、大きさ、位置の複雑さは、自動セグメンテーションに大きな課題をもたらす。本研究では、深層学習ベースのセグメンテーションモデルの包括的なベンチマーク分析を行い、U-NetやDeepLabV3のような従来のアーキテクチャ、nnUNetのような自己構成モデル、MedSAMやMedSAM~2のような基礎モデルを比較する。 2つの肺腫瘍セグメンテーションデータセットにわたる性能を評価し、少数ショット学習や微調整を含む様々な学習パラダイム下でのセグメンテーション精度と計算効率を評価する。その結果、従来のモデルが腫瘍の描出に苦戦する一方で、基礎モデル、特にMedSAM～2が、精度と計算効率の両方でそれらを上回ることが明らかになった。これらの知見は、肺腫瘍のセグメンテーションにおける基礎モデルの可能性を強調するものであり、臨床ワークフローと患者の転帰を改善する上での応用可能性を強調するものである。

要約(オリジナル)

Accurate lung tumor segmentation is crucial for improving diagnosis, treatment planning, and patient outcomes in oncology. However, the complexity of tumor morphology, size, and location poses significant challenges for automated segmentation. This study presents a comprehensive benchmarking analysis of deep learning-based segmentation models, comparing traditional architectures such as U-Net and DeepLabV3, self-configuring models like nnUNet, and foundation models like MedSAM, and MedSAM~2. Evaluating performance across two lung tumor segmentation datasets, we assess segmentation accuracy and computational efficiency under various learning paradigms, including few-shot learning and fine-tuning. The results reveal that while traditional models struggle with tumor delineation, foundation models, particularly MedSAM~2, outperform them in both accuracy and computational efficiency. These findings underscore the potential of foundation models for lung tumor segmentation, highlighting their applicability in improving clinical workflows and patient outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL