MEDICINE & AI

タイトル：Segment Any Tissue: One-shot reference guided training-free automatic point prompting for medical image segmentation 雑誌名：Med Image Anal. 2025 May; 102: 103550. 概　要： 本研究では、医療画像のセグメンテーションにおける高い注釈コストとタスク適応の課題に対処するため、Segment Any Tissue（SAT）という革新的なトレーニング不要のフレームワークを提案します。SATは、クラスに依存しない視覚基盤モデルを自動的に促すために、事前学習済みの基盤モデルの特徴マッチング能力を活用し、特徴空間と物理空間の距離メトリックを統合します。これにより、プロンプト生成、最適化、評価のための二重空間サイクリックプロンプトエンジニアリングアプローチを確立します。SATは、生成されたプロンプトスキームを用いてセグメンテーション結果を得るために、クラスに依存しない基盤セグメンテーションモデルを利用します。さらに、複数の参照画像を組み込むことで、セグメンテーション性能を向上させるアンサンブルSATを拡張しました。 方　法： SATは、トレーニング不要のフレームワークで、医療画像のセグメンテーションを行います。6つの公的および私的な医療セグメンテーションタスクで検証され、マクロおよびミクロの視点を捉えています。自動プロンプト選択により、SATはさまざまなサイズの組織を効果的に処理できることが示されました。 結　果： SATは、完全に監視された方法と比較しても同等かそれ以上の性能を示し、既存のワンショット手法に対しても優れた性能を発揮しました。SATは、単一のピクセルレベルの注釈付き参照画像のみで、さまざまな医療画像における組織セグメンテーションをトレーニング不要で実行できることが確認されました。 結　論： SATは、基盤モデルを医療分野に適用する際の注釈コストを大幅に削減し、タスクの転送可能性を高めることができるため、インテリジェント医療の臨床応用の基盤を提供します。