Key points are not available for this paper at this time.
La segmentation d'images médicales joue un rôle essentiel dans le diagnostic clinique et la planification des traitements, mais les modèles existants rencontrent souvent des difficultés en matière de généralisation et de traitement uniforme des données 2D et 3D. Dans cet article, nous présentons Medical SAM 2 (MedSAM-2), un modèle d'auto-suivi généralisé pour la segmentation d'images médicales 2D et 3D universelle. Le concept central est de tirer parti du pipeline Segment Anything Model 2 (SAM2) pour traiter toutes les tâches de segmentation médicale 2D et 3D comme un problème de suivi d'objets vidéo. Pour le mettre en pratique, nous proposons un nouveau mécanisme de banque de mémoire auto-triante qui sélectionne de manière dynamique les embeddings informatifs en fonction de la confiance et de la dissimilarité, quel que soit l'ordre temporel. Ce mécanisme améliore non seulement considérablement les performances en segmentation d'images médicales 3D, mais déverrouille également une capacité de segmentation One-Prompt pour les images 2D, permettant une segmentation à travers plusieurs images à partir d'une seule invite sans relations temporelles. Nous avons évalué MedSAM-2 sur cinq tâches 2D et neuf tâches 3D, y compris les globules blancs, les cups optiques, les vaisseaux rétiniens, les mandibules, les artères coronaires, les tumeurs rénales, les tumeurs hépatiques, le cancer du sein, le cancer du nasopharynx, le schwannome vestibulaire, les nœuds lymphatiques médiastinaux, l'artère cérébrale, le nerf alvéolaire inférieur et les organes abdominaux, en le comparant à des modèles de pointe (SOTA) dans des paramètres de segmentation adaptés aux tâches, générales et interactifs. Nos découvertes montrent que MedSAM-2 surpasse une large gamme de modèles existants et met à jour les nouveaux SOTA sur plusieurs benchmarks. Le code est disponible sur la page du projet : https://supermedintel.github.io/Medical-SAM2/.
Zhu et al. (jeu,) ont étudié cette question.