PG-SAM: Prior-Guided SAM with Medical for Multi-organ Segmentation
Created by
Haebom
Category
Empty
저자
Yiheng Zhong, Zihong Luo, Chengzhi Liu, Feilong Tang, Zelin Peng, Ming Hu, Yingzhen Hu, Jionglong Su, Zongyuan Geand, Imran Razzak
개요
본 논문은 의료 영상 분할에 SAM(Segment Anything Model)을 적용할 때 정확도와 강건성이 저하되는 문제를 해결하기 위해 Prior-Guided SAM (PG-SAM)을 제안합니다. 기존 방법들은 모달리티 융합을 통해 추가적인 정보를 제공하지만, 본 논문은 텍스트의 세분성과 도메인 간 차이, 그리고 고차원 추상적 의미와 픽셀 수준 경계의 불일치가 정확도 저하의 원인이라고 주장합니다. PG-SAM은 의료 LLM로부터 얻은 세분화된 텍스트를 활용하여 모달리티 정렬을 개선하고, 다중 수준 특징 융합 및 반복 마스크 최적화 연산을 통해 디코더의 표현 능력을 향상시켜 SAM에 고품질의 의미 정보를 효과적으로 제공하는 통합 파이프라인을 제안합니다. Synapse 데이터셋 실험 결과, PG-SAM은 최첨단 성능을 달성했습니다.
시사점, 한계점
•
시사점:
◦
의료 영상 분할에서 SAM의 성능 향상을 위한 새로운 접근법 제시 (세분화된 모달리티 prior aligner 사용).
◦
의료 LLM을 활용하여 도메인 간 차이를 효과적으로 해결.
◦
다중 수준 특징 융합과 반복 마스크 최적화를 통한 디코더 성능 향상.
◦
Synapse 데이터셋에서 최첨단 성능 달성.
◦
공개된 코드를 통해 재현성 확보.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 검증 필요 (Synapse 데이터셋 외 다른 데이터셋에서의 성능 평가).
◦
의료 LLM의 성능에 의존적일 수 있음. LLM의 성능 저하가 PG-SAM 성능에 영향을 미칠 수 있음.
◦
특정 의료 영상 데이터셋에 최적화되어 있을 가능성 존재. 다른 유형의 의료 영상 데이터에 대한 적용성 검토 필요.
