Necesidad e Impacto de la Especialización de Modelos de Fundación Grandes para Tareas de Segmentación Médica

Resumen Antecedentes Los grandes modelos de fundación, como el Modelo Segment Anything (SAM), han mostrado un rendimiento notable en tareas de segmentación de imágenes. Sin embargo, el enfoque óptimo para lograr la verdadera utilidad de estos modelos para aplicaciones específicas de dominio, como la segmentación de imágenes médicas, sigue siendo una pregunta abierta. Estudios recientes han lanzado una versión médica del modelo de fundación MedSAM entrenando con vastos datos médicos, que prometió una segmentación médica SOTA. Se necesita una inspección y disección independiente de la comunidad. Objetivo Este estudio evalúa el rendimiento del modelo de fundación médica MedSAM para la segmentación de estructuras anatómicas en imágenes de RM pélvicas. También evaluamos la dependencia del esquema de presentación y demostramos el aumento de la especialización adicional mediante el ajuste fino. Métodos MedSAM y su versión ligera LiteMedSAM fueron evaluados directamente en un conjunto de datos público de RM que consiste en 589 imágenes pélvicas divididas en 80:20 para entrenamiento y prueba. Un modelo nnU-Net se entrenó desde cero para servir como referencia y proporcionar indicaciones de marco para MedSAM. MedSAM fue evaluado utilizando diferentes calidades de cuadros delimitadores, aquellos derivados de etiquetas de verdad, aquellos derivados de nnU-Net, y aquellos derivados de los dos anteriores pero con expansión isométrica de 5 píxeles. Por último, LiteMedSAM se refinó en el conjunto de entrenamiento y se reevaluó en esta tarea. Resultados Tanto MedSAM como LiteMedSAM, en su uso directo, mostraron un rendimiento deficiente en el conjunto de estructuras, especialmente para estructuras disjuntas o no convexas. Variar la presentación con diferentes entradas de cuadros delimitadores tuvo un efecto mínimo. La puntuación media de Dice y las distancias medias de Hausdorff (en mm) para el obturador interno utilizando MedSAM y LiteMedSAM fueron 0.251 ± 0.110, 0.101 ± 0.079 y 34.142 ± 5.196, 33.688 ± 5.306, respectivamente. El ajuste fino de LiteMedSAM resultó en una mejora significativa en el rendimiento, mejorando la puntuación de Dice y la distancia de Hausdorff para el obturador interno a 0.864 ± 0.123 y 5.022 ± 10.684, similar a nnU-Net sin diferencias significativas en la evaluación de la mayoría de las estructuras. Todas las estructuras de segmentación se beneficiaron significativamente del refinamiento especializado, con márgenes de mejora variables. Conclusión Nuestro estudio alude al potencial de modelos de aprendizaje profundo como MedSAM y LiteMedSAM para la segmentación médica, pero también destaca la necesidad de un refinamiento y adjudicación especializados: es muy probable que el uso directo de tales modelos de fundación grandes sea subóptimo y que el ajuste fino especializado pueda mejorar significativamente la precisión de la segmentación.