SALM: A Unified Model for 2D and 3D Region of Interest Segmentation in Lung CT Scans Using Vision Transformers
Notice bibliographique
Résumé
Accurate segmentation of Regions of Interest (ROI) in lung Computed Tomography (CT) is crucial for early lung cancer diagnosis and treatment planning. However, the variability in size, shape, and location of lung lesions, along with the complexity of 3D spatial relationships, poses significant challenges. In this work, we propose SALM (Segment Anything in Lung Model), a deep learning model for 2D and 3D ROI segmentation. SALM leverages Vision Transformers, proposing an adaptation of positional encoding functions to effectively capture spatial relationships in both 2D slices and 3D volumes using a single, unified model. Evaluation on the LUNA16 dataset demonstrated strong performance in both modalities. In 2D segmentation, SALM achieved a Dice score of 93% on 124,662 slices. For 3D segmentation using 174 3D images from the same dataset, SALM attained a Dice score of 81.88%. We also tested SALM on an external database (PleThora) on a subset of 255 pulmonary CT from diseased patients, where it achieved a Dice score of 78.82%. These results highlight SALM’s ability to accurately segment lung ROI in both 2D and 3D, demonstrating its potential to improve the accuracy and efficiency of computer-aided diagnosis for lung cancer.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».