Putting the Segment Anything Model to the Test with 3D Knee MRI – A Comparison with State-of-the-Art Performance

要約

メニスピは、関節の潤滑と体重分散に寄与する膝の中に見られる軟骨組織です。
メニスチの損傷は、障害の主な原因であり、効果的な治療法がほとんどない状態である膝の変形性関節症（OA）の発症と進行につながる可能性があります。
メニスピの正確な自動セグメンテーションにより、メニスコール異常の早期の検出と治療が可能になり、OA病因におけるメニスピが果たす役割にもっと光を当てることができます。
この分野でのフォーカスは、主に畳み込みネットワークのバリエーションを使用していますが、最近の大型視覚変圧器セグメンテーションモデルを利用する試みはありませんでした。
Segment Anything Model（SAM）は、いわゆる基礎セグメンテーションモデルです。これは、モデルのトレーニングに使用される大量のデータにより、さまざまなタスクの範囲で有用であることがわかりました。
この研究では、SAMは、3D膝磁気共鳴画像からのメニスピの完全に自動化されたセグメンテーションを実行するように適合しました。
3D U-Netもベースラインとして訓練されました。
デコーダーのみを微調整した場合、サムは3D U-Netと競合することができず、$ 0.87 \ PM0.03 $と比較して、$ 0.81 \ PM0.03 $のサイコロスコアを達成できたことがわかりました。
微調整サムのエンドツーエンドで、0.87 \ PM0.03 $のサイコロスコアが達成されました。
エンドツーエンドのトレーニングされたSAM構成と3D U-NETの両方のパフォーマンスは、Iwoai膝MRIセグメンテーションチャレンジ2019の勝利ダイススコア（$ 0.88 \ PM0.03 $）に匹敵しました。
結果は、その一般化可能性にもかかわらず、SAMはメニスカスセグメンテーションで基本的な3D U-Netを上回ることができず、コントラストが低く、定義が不十分な境界を持つ細かい解剖学的構造も含む同様の3D医療画像セグメンテーションタスクに適していない可能性があることを実証しました。

要約(オリジナル)

Menisci are cartilaginous tissue found within the knee that contribute to joint lubrication and weight dispersal. Damage to menisci can lead to onset and progression of knee osteoarthritis (OA), a condition that is a leading cause of disability, and for which there are few effective therapies. Accurate automated segmentation of menisci would allow for earlier detection and treatment of meniscal abnormalities, as well as shedding more light on the role the menisci play in OA pathogenesis. Focus in this area has mainly used variants of convolutional networks, but there has been no attempt to utilise recent large vision transformer segmentation models. The Segment Anything Model (SAM) is a so-called foundation segmentation model, which has been found useful across a range of different tasks due to the large volume of data used for training the model. In this study, SAM was adapted to perform fully-automated segmentation of menisci from 3D knee magnetic resonance images. A 3D U-Net was also trained as a baseline. It was found that, when fine-tuning only the decoder, SAM was unable to compete with 3D U-Net, achieving a Dice score of $0.81\pm0.03$, compared to $0.87\pm0.03$, on a held-out test set. When fine-tuning SAM end-to-end, a Dice score of $0.87\pm0.03$ was achieved. The performance of both the end-to-end trained SAM configuration and the 3D U-Net were comparable to the winning Dice score ($0.88\pm0.03$) in the IWOAI Knee MRI Segmentation Challenge 2019. Performance in terms of the Hausdorff Distance showed that both configurations of SAM were inferior to 3D U-Net in matching the meniscus morphology. Results demonstrated that, despite its generalisability, SAM was unable to outperform a basic 3D U-Net in meniscus segmentation, and may not be suitable for similar 3D medical image segmentation tasks also involving fine anatomical structures with low contrast and poorly-defined boundaries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google