О сегментации полипов с использованием модели Segment Anything Model

Полипы толстой кишки являются ключевыми предикторами развития колоректального рака, и их своевременное выявление играет решающую роль в профилактике онкологических осложнений. В работе предложена усовершенствованная модель автоматической сегментации полипов Polyps-SAM2, основанная на фундаментальной архитектуре Segment Anything Model 2 (SAM2). Модель адаптирована для медицинской визуализации путём тонкой настройки с заморозкой параметров кодировщика изображений и внедрением обучаемых слоёв для обработки текстовых инструкций. Эксперименты проведены на двух общепринятых наборах данных - Kvasir-Seg и CVC-ClinicDB. Polyps-SAM2 продемонстрировала высокую точность: значения метрик Dice и IoU составили 0.94 и 0.91 на Kvasir-Seg, а также 0.938 и 0.901 на CVC-ClinicDB, что превосходит или сопоставимо с современными методами сегментации. Несмотря на ограничения при обработке изображений с множественными полипами и зависимость от подсказок (например, ограничивающих рамок), предложенная модель обладает высокой обобщающей способностью и потенциалом для интеграции в клинические системы поддержки принятия решений при проведении колоноскопии.

Colorectal polyps are critical precursors to colorectal cancer, and their early detection is vital for effective prevention. This study introduces Polyps-SAM2 - an enhanced polyp segmentation model built upon the Segment Anything Model 2 (SAM2) foundation. Tailored for medical imaging, Polyps-SAM2 incorporates fine-tuning with a frozen image encoder and integrates trainable layers for processing textual prompts. Evaluated on two benchmark datasets - Kvasir-Seg and CVC- ClinicDB - the model achieves Dice and IoU scores of 0.94/0.91 and 0.938/0.901, respectively, outperforming or matching state-of-the-art segmentation approaches. While limitations remain - particularly in handling images with multiple distinct polyps and reliance on user-provided prompts such as bounding boxes - the model demonstrates strong generalization capabilities and significant potential for clinical deployment in computer-aided colonoscopy systems, thereby improving diagnostic accuracy and workflow efficiency for physicians.