SAMI3D-DW：任何 3D 医学图像的交互式分割

3D 医学图像的交互式分割支持解剖结构和疾病的定量分析，同时允许用户指定和细化其目标。尽管 nnInteractive 和 VISTA3D 取得了实质性进展，但跨不同临床目标的可靠分割仍然具有挑战性，特别是对于复杂的解剖结构和异质的长尾病理谱。我们推出了 SAMI3D-DW V1（以下简称 SAMI3D-DW），这是一种在 Deepwise 的大规模专有医学图像数据集上训练的交互式 3D 分割模型。我们在 CT/MR 基准上评估模拟用户交互下的模型，该基准包含来自 219 个源数据集的 4,326 个病例，涵盖 107 个解剖和病理类别，按医学分类法组织，并使用类别平衡 DSC 评分进行评估。 SAMI3D-DW 在两种交互模式下的评估方法中实现了最高的类别宏 Dice。得分为 0.5756，最强基线 nnInteractive 为 0.5316，得分为 0.7771，得分为 0.7495，得分为 5 分。通过边界框初始化，分数分别为 0.7129 和 0.6530。经过五次校正点击后，SAMI3D-DW 达到 0.8004 而不是 0.7868。对于放射科医生和临床医生来说，SAMI3D-DW 只需点击几下即可分割复杂的解剖结构，包括 CT 和 MR 血管造影上的颅内血管树。在涉及 1 型神经纤维瘤病 (NF1) 的初步内部比较中，SAMI3D-DW 辅助肿瘤注释每个病例只需几分钟，大约是手动注释所需时间的十五分之一，突显了其支持体积治疗反应评估的潜力。