本文提出了一种新颖的交互式分割模型 MOIS-SAM2，用于高效分割 1 型神经纤维瘤病 (NF1) 患者全身磁共振成像 (WB-MRI) 图像中的神经纤维瘤 (NF)。MOIS-SAM2 扩展了最先进的基于 Transformer 的可快速分割模型 Nothing Model 2 (SAM2)，并添加了基于实例的语义传播功能。该模型基于 84 名 NF1 患者的 119 张 WB-MRI 扫描数据集进行训练和评估，该数据集分为四个测试集，分别反映域内和域外场景（MRI 场强变化、肿瘤负荷较低以及临床地点和扫描仪制造商的差异）。在域内测试集上，MOIS-SAM2 实现了 0.60 的逐扫描 DSC（与专家手动注释相比），优于基线 3D nnU-Net（DSC：0.54）和 SAM2（DSC：0.35）。它在各种领域转换场景中均保持了优异的性能，尤其是在低肿瘤负荷的情况下。在整个测试集中，病灶检测的 F1 分数范围为 0.62 至 0.78。模型与专家之间的一致性与专家之间的一致性相当。总而言之，MOIS-SAM2 展现了其集成到临床工作流程中的潜力，它能够以最少的用户输入实现高效且可扩展的神经纤维 (NF) 分割。
