Neuer Ansatz verbessert 3D-Medizinbildsegmentierung trotz SAM-Beschränkungen
Ein innovativer Ansatz verspricht, die Grenzen von SAM in der 3D-Medizinbildsegmentierung zu überwinden. Statt die Foundation‑Modelle wie SAM oder SAM‑2 zu fine‑tunen, nutzt die Methode deren Ausgaben als zusätzliche Eingabekanal und kombiniert sie mit dem Original‑MRI.
Während SAM und SAM‑2 bei natürlichen Bildern hervorragende Ergebnisse liefern, kämpfen sie bei Gehirn‑MRIs mit schwachen Kontrasten und unscharfen Grenzen, etwa bei Strukturen wie dem Caudat oder Thalamus. Der neue Ansatz erzeugt die nötigen Segmentierungsprompts mithilfe eines schlanken 3D‑U‑Nets, das zuvor auf MRI‑Segmentierungen trainiert wurde. Auch wenn das U‑Net auf einem anderen Datensatz basiert und die Vorhersagen oft ungenau sind, liegen sie meist im richtigen Bereich. Durch Glätten der Randlinien wird die Übereinstimmung mit dem MRI weiter verbessert.
Zusätzlich wird ein prompt‑freier Modus mit DINO‑Aufmerksamkeitskarten getestet, der die gleiche Architektur nutzt. So werden die Foundation‑Gewichte nicht verändert, und das System passt sich ohne erneutes Training an neue Domänen an. Die Ergebnisse sind beeindruckend: etwa 96 % Volumen‑Genauigkeit bei der Segmentierung der Basalganglien, was für die Analyse von Langzeit‑Volumenveränderungen ausreichend ist.
Der Ansatz ist schnell, erfordert nur wenige Labels und bleibt robust gegenüber Aus‑der‑Verteilung‑Scans. Er wurde bereits eingesetzt, um entzündungsbedingte Veränderungen bei plötzlich auftretendem pädiatrischem Zwangsstörung zu untersuchen, und zeigt damit großes Potenzial für die klinische Praxis.