Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Organ-aware Multi-scale Medical Image Segmentation Using Text Prompt Engineering

Created by
  • Haebom
Category
Empty

저자

Wenjie Zhang, Ziyang Zhang, Mengnan He, Jiancheng Ye

개요

본 논문은 다양한 의료 영상 분할 작업에서 정확도를 향상시키기 위해 이미지 특징과 사용자 제공 프롬프트를 통합하는 대규모 의료 영상 분할 모델인 MedSAM을 기반으로, 텍스트 기반 프롬프트를 추가하여 복잡한 의료 영상 분할 작업에 대한 성능을 향상시킨 Organ-aware Multi-scale Text-guided Medical Image Segmentation Model (OMT-SAM)을 제안합니다. OMT-SAM은 CLIP 인코더를 사용하여 이미지와 텍스트 프롬프트를 처리하고, MedSAM의 다중 스케일 시각적 특징을 추출하여 정확한 해부학적 세부 정보를 포착합니다. FLARE 2021 데이터셋을 사용한 실험 결과, OMT-SAM은 평균 Dice 유사도 계수 0.937을 달성하여 MedSAM(0.893) 및 기타 분할 모델을 능가하는 성능을 보였습니다.

시사점, 한계점

•
시사점:
◦
텍스트 기반 프롬프트를 활용하여 의료 영상 분할의 정확도 향상 가능성을 보여줌.
◦
MedSAM의 성능 개선을 통해 복잡한 다중 기관 분할 작업에서 우수한 성능을 달성.
◦
CLIP 인코더와 다중 스케일 특징 추출을 통한 효과적인 이미지-텍스트 정보 융합 전략 제시.
◦
향상된 의료 영상 분석을 통한 질병 모니터링 및 치료 계획 수립에 기여.
•
한계점:
◦
FLARE 2021 데이터셋 하나만 사용하여 평가되었으므로, 다른 데이터셋에서의 일반화 성능 검증 필요.
◦
CLIP 인코더의 사전 훈련된 가중치에 의존하므로, 도메인 특이적 지식을 반영하는데 한계가 있을 수 있음.
◦
텍스트 프롬프트의 질에 따라 성능이 영향을 받을 수 있음.
◦
다양한 유형의 의료 영상 모달리티에 대한 일반화 성능 평가가 추가적으로 필요함.
👍
Made with Slashpage