HPR-SAM: автоматическая сегментация медицинских изображений без подсказок через иерархическое вероятностное обучение

Исследователи разработали HPR-SAM — фреймворк для автоматической сегментации медицинских изображений, который не требует подсказок. В отличие от стандартной Segment Anything Model (SAM), нуждающейся в ручных или автоматических подсказках, HPR-SAM использует иерархическое вероятностное представление (HPR) для самостоятельного выделения анатомических структур. Это открывает новые возможности для диагностики, где точность и автоматизация критичны.

Как работает HPR-SAM HPR-SAM основан на оригинальной архитектуре SAM, но заменяет детерминированные прототипы на вероятностные. Фреймворк включает три ключевых компонента: распределенное анатомическое представление (DAR), многокомпонентное анатомическое представление (MAR) и представление локальной надежности (LRR). DAR моделирует глобальные анатомические априорные знания через распределение вероятностей, MAR учитывает разнообразие внутри одной анатомической структуры, а LRR оценивает локальную надежность сегментации. Эти компоненты объединяются через иерархическое слияние предсказаний (HPF), которое совместимо с оригинальным декодером SAM.

Почему вероятностный подход лучше детерминированного? Детерминированные прототипы, используемые в предыдущих методах, не способны одновременно отражать глобальные анатомические закономерности, вариативность внутри структуры и локальную неопределенность. Например, при сегментации печени на КТ-снимках форма и положение могут варьироваться между пациентами. HPR-SAM с помощью DAR фиксирует типичное расположение, MAR — возможные вариации, а LRR — указывает на участки, где модель менее уверена. Это повышает точность и устойчивость к шуму.

Какие результаты показал HPR-SAM? Фреймворк протестирован на трех популярных наборах данных: Synapse (мультиорганная сегментация), LA (сегментация левого предсердия) и PROMISE12 (сегментация простаты). На Synapse HPR-SAM достиг современного уровня производительности, превзойдя предыдущие методы без подсказок. В режиме few-shot (обучение на малом количестве примеров) на LA и PROMISE12 он показал лучшие результаты, что особенно важно для медицинских приложений, где размеченных данных мало.

Как HPR-SAM сравнивается с другими методами? Точные метрики, такие как Dice и IoU, варьируются в зависимости набора данных. На Synapse HPR-SAM превзошел такие методы, как AutoSAM и SAM-Adapter, особенно в сегментации мелких органов. На LA в режиме one-shot (один обучающий пример) прирост Dice составил до 5% по сравнению с лучшими аналогами. Эти результаты подчеркивают эффективность вероятностного подхода.

Кому будет полезен HPR-SAM? Разработчики систем медицинской визуализации смогут интегрировать HPR-SAM в диагностические пайплайны для автоматического выделения органов и патологий. Исследователи в области компьютерного зрения и медицинской диагностики получат инструмент для изучения анатомической вариативности. Специалисты по автоматизации анализа изображений оценят снижение ручного труда: модель не требует подсказок, что ускоряет обработку больших объемов данных.

Какие ограничения пока остаются? Хотя HPR-SAM показывает высокую точность, его вычислительные затраты выше, чем у упрощенных методов. Для работы требуется GPU с достаточным объемом памяти. Также неясно, насколько хорошо фреймворк обобщается на редкие типы медицинских изображений, например, микроскопию или УЗИ. Дополнительные тесты на других модальностях помогут оценить универсальность.

Что дальше? Разработчики планируют оптимизировать HPR-SAM для работы на мобильных устройствах и расширить его на 3D-сегментацию. Код уже доступен на GitHub, что позволяет сообществу тестировать и дорабатывать модель. В перспективе HPR-SAM может стать основой для полностью автоматических систем медицинской диагностики, снижая нагрузку на врачей и повышая точность анализа.

Ключевые выводы: HPR-SAM решает проблему ограниченной выразительности анатомических представлений в методах без подсказок. Вероятностный подход обеспечивает более точную и надежную сегментацию, особенно в условиях малого количества данных. Это шаг вперед для автоматизации медицинской визуализации.