Segment Anything Model (SAM) for Radiation Oncology

要約

この研究では、臨床放射線治療におけるセグメント エニシング モデル (SAM) モデルのパフォーマンスを評価します。
私たちはメイヨー クリニックの 4 つの領域 (放射線腫瘍学の典型的な治療部位である前立腺、肺、胃腸、頭頸部) から実際の臨床症例を収集しました。
それぞれのケースについて、放射線治療計画において懸念される OAR を選択し、臨床手動描写、SAM の「segment anything」モードを使用した自動セグメンテーション、およびボックス プロンプトを備えた SAM を使用した自動セグメンテーションの間で、Dice と Jaccard の結果を比較しました。
私たちの結果は、SAM は前立腺領域と肺領域の自動セグメンテーションでは優れたパフォーマンスを発揮しますが、胃腸領域と頭頸部領域のパフォーマンスは比較的劣っていることを示しています。
臓器のサイズとその境界の明瞭さを考慮すると、肺や肝臓など境界が明確な大きな臓器では SAM のパフォーマンスが向上し、耳下腺や蝸牛などの境界が不明瞭な小型臓器ではパフォーマンスが低下します。
これらの所見は、臨床放射線治療におけるさまざまな部位のさまざまな臓器の輪郭を手作業で描写することに関連する、一般に受け入れられている難易度のばらつきと一致しています。
単一のトレーニング済みモデルである SAM が 4 つの領域の OAR の描写を処理できることを考えると、これらの結果は、放射線治療の自動セグメンテーションにおける SAM の堅牢な一般化機能、つまり、一般的な自動セグメンテーション モデルを使用してさまざまな放射線治療 OAR の描写を達成できることも示しています。
さまざまな領域にわたる SAM の一般化機能により、放射線治療における自動セグメンテーションの汎用モデルの開発が技術的に可能になります。

要約(オリジナル)

In this study, we evaluate the performance of the Segment Anything Model (SAM) model in clinical radiotherapy. We collected real clinical cases from four regions at the Mayo Clinic: prostate, lung, gastrointestinal, and head \& neck, which are typical treatment sites in radiation oncology. For each case, we selected the OARs of concern in radiotherapy planning and compared the Dice and Jaccard outcomes between clinical manual delineation, automatic segmentation using SAM’s ‘segment anything’ mode, and automatic segmentation using SAM with box prompt. Our results indicate that SAM performs better in automatic segmentation for the prostate and lung regions, while its performance in the gastrointestinal and head \& neck regions was relatively inferior. When considering the size of the organ and the clarity of its boundary, SAM displays better performance for larger organs with clear boundaries, such as the lung and liver, and worse for smaller organs with unclear boundaries, like the parotid and cochlea. These findings align with the generally accepted variations in difficulty level associated with manual delineation of different organs at different sites in clinical radiotherapy. Given that SAM, a single trained model, could handle the delineation of OARs in four regions, these results also demonstrate SAM’s robust generalization capabilities in automatic segmentation for radiotherapy, i.e., achieving delineation of different radiotherapy OARs using a generic automatic segmentation model. SAM’s generalization capabilities across different regions make it technically feasible to develop a generic model for automatic segmentation in radiotherapy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google