Assessing the Performance of Foundation Models in Prostate Segmentation Across Different Ultrasound Modalities
Notice bibliographique
Résumé
Prostate cancer (PCa) remains a major health issue for men and relies on early diagnostic procedures such as transrectal ultrasound-guided (TRUS) biopsy for effective treatment. Since this procedure is prone to high rates of false negatives, advancements are being made in ultrasound (US) imaging and artificial intelligence to improve the detection of cancerous lesions. Segmentation is necessary for establishing the area for analysis however, manual segmentation can be laborious and time-intensive. Recent studies have focused on leveraging pre-trained foundation models that can be applied to various downstream tasks such as prostate segmentation in US imaging. However, only the processed B-mode US images were used in these studies and other imaging modes like raw RF images, although proved superior in tissue characterization, have not been explored. This study evaluates the segmentation capabilities of SAM-Med2D, a foundation model finetuned on a large-scale medical dataset using different ultrasound modalities. We finetune the pre-trained model (baseline) with and without adapter layers on prostate US data. Furthermore, we assess the results across different anatomical locations of the prostate. Our findings show that B-mode base data are more compatible with the SAM-Med2D model. Also, we observe a substantial improvement in model performance over baseline when finetuning with a small dataset, slightly better performance when employing adapter layers, and no substantial difference between anatomical locations. Overall, our work highlights the potential application of SAM-Med2D in various US modalities, which is essential for RF-based pipelines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».