Is SAM3 ready for pathology segmentation?

작성자

Haebom

카테고리

Empty

저자

Qiuyu Kong, Shakiba Sharifi, Yiming Wang, Marco Cristani, Zanxi Ruan

💡 개요

본 연구는 Segment Anything Model 3 (SAM3)이 병리학 이미지 분할에 적용 가능한지 체계적으로 평가합니다. 텍스트 프롬프트 기반의 개념 분할이라는 SAM3의 새로운 접근 방식을 제로샷, 퓨샷, 지도 학습 등 다양한 감독 환경에서 다양한 프롬프팅 전략과 함께 NuInsSeg, PanNuke, GlaS와 같은 병리학 데이터셋에 적용하여 SAM3의 병리학 이미지 분할 능력을 탐구합니다. 연구 결과, SAM3가 병리학 이미지 분할에서 아직 한계가 있음을 보여주며, 특히 텍스트 프롬프트의 효과가 낮고 시각적 프롬프트에 민감하며, 기존 작업별로 훈련된 어댑터 기반 모델과의 성능 격차가 상당함을 확인했습니다.

🔑 시사점 및 한계

•

SAM3는 병리학 이미지 분할에서 텍스트 프롬프트만으로는 명확한 핵 개념을 활성화하는 데 한계가 있습니다.

•

SAM3의 성능은 사용되는 시각적 프롬프트의 종류와 예산에 크게 영향을 받으며, 퓨샷 학습은 성능 향상을 제공하지만 시각적 프롬프트 노이즈에 대한 견고성은 부족합니다.

•

SAM3의 프롬프트 기반 사용과 특정 작업에 맞춰 훈련된 어댑터 기반 참조 모델 사이에는 상당한 성능 격차가 존재합니다.

•

본 연구는 SAM3의 병리학 이미지 분할 적용 가능성 범위를 명확히 하고, 병리학 도메인 특화 적응의 필요성에 대한 실질적인 지침을 제공합니다.

•

SAM3의 성능은 데이터셋의 특성과 프롬프트 엔지니어링의 정교함에 따라 달라질 수 있으며, 병리학 분야에서의 실질적인 활용을 위해서는 도메인 적응이 필수적입니다.

PDF 보기

Made with Slashpage