要約
精密医療、例えば医療画像解析を支援する患者に適応した治療は、異なる患者間の大きな変動と各患者に対する注釈付きデータの限られた入手可能性により、セグメンテーションアルゴリズムが新しい患者に適応することにおいて新たな課題をもたらしています。本研究では、データ効率の高いセグメンテーションアルゴリズムである部位認識プロンプト型セグメント・アニー・モデル（$P^2SAM$）を提案します。このモデルは微調整を行わずに、単一の患者特異的なデータのみで新しい患者へのシームレスな適応を可能にします。私たちは、単一ショットデータの部位レベルの特徴に基づいて複数ポイントプロンプトを選択する新たな部位認識プロンプト機構を導入しました。この機構はSAMやSAM 2などの異なるプロンプタブルセグメンテーションモデルに広く統合することができます。さらに、各特定ケースにおける最適な部位数を決定するために、分布ガイド型検索手法を提案し、これにより部位認識プロンプト機構の堅牢性が一段と向上します。$P^2SAM$は2つの異なる患者適応型セグメンテーションアプリケーションにおいてそれぞれ+8.0%および+2.0%の平均ダイス係数で性能向上を達成しました。また、$P^2SAM$は自然画像ドメインでの他の適応型セグメンテーションタスクでも優れた汎化能力を示しており、個人化された物体セグメンテーションタスクでは+6.4%のmIoU向上が確認されています。コードは以下のURLから入手可能です：https://github.com/Zch0414/p2sam