近日，我校醫學部生物醫學工程學院倪東教授團隊，聯合英國牛津大學、蘇黎世聯邦理工學院、浙江大學、深圳市人民醫院和度影醫療等單位，在國際醫學圖像分析領域的頂級期刊《Medical Image Analysis》（影響因子10.9）上，發表了一篇題為“Segment anything model for medical images?”的高質量論文。深圳大學醫學部生物醫學工程學院倪東教授和深圳市人民醫院超聲科董發進主任為共同通訊作者，生物醫學工程學院博士生黃雨灝和助理教授楊鑫為共同第一作者，深圳大學為第一署名單位。

為了充分評估分析Segment Anything Model（SAM）在醫學影像分割上的泛化性能，并對其進行基于醫學影像微調的分析，本研究收集并標準化了53個公開數據集，最終構建了一個包含了18種影像模態、84種生物醫學領域分割目標和125個配對組合（分割目標-模態）、1050K 2D圖像和6033K分割掩膜的大型醫學影像分割數據集COSMOS 1050K（圖1）。通過全面的實驗分析，文章的主要結論為：（1）SAM在某些特定分割目標上表現出色，但在其他情況下表現不穩定、不完美甚至會完全分割失敗。（2）與ViT-B（91M模型參數量）相比，基于ViT-H（636M模型參數量）的SAM在醫學影像分割任務上有較高的整體性能；（3）SAM在手動提示下（尤其是框提示模式）的表現優于Everything模式。（4）SAM可以高效輔助專家標注，實現更高的標注質量并減少標注時間。（5）SAM的性能與邊界復雜性、強度差異等因素相關- -邊界越復雜、前景背景的差異越低，SAM對醫學目標的感知能力越差。（6）使用醫學數據對SAM進行微調，可使其在平均DICE性能提高4.39%（ViT-B）和6.68%（ViT-H）。同時，文章開源了相關代碼和模型，希望能幫助讀者和社區更好地了解SAM基礎模型在醫學影像中的分割性能，并最終促進新一代的醫學影像分割基礎模型的發展。

圖1 COSMOS 1050K數據集展示

研究成果鏈接：https://www.sciencedirect.com/science/article/pii/S1361841523003213