Framework 2D Unificato Integra LLM per Rilevamento, Segmentazione e Generazione di Referti delle Lesioni
Un nuovo framework di analisi delle lesioni 2D è stato creato dai ricercatori, combinando modelli linguistici di grandi dimensioni (LLM) per attività come il ragionamento, il rilevamento dei bounding box delle lesioni, la segmentazione e la generazione di referti radiologici. Questo framework è stato valutato utilizzando il dataset originale DeepLesion, ottenendo una mAP50 di rilevamento del 70,1%, un punteggio Dice di segmentazione del 62,6% e un punteggio BLEU_1 del 64,3% per la generazione di referti. Notevolmente, ha superato il modello nnUNet del 28,5% nel punteggio Dice di segmentazione. Questa ricerca si basa su lavori precedenti che utilizzavano LLM per la segmentazione delle lesioni con il dataset ULS23 DeepLesion. Lo studio affronta le complessità della segmentazione all'interno del dataset originale DeepLesion, incorporando sia il contesto spaziale che anatomico. I risultati sono pubblicati su arXiv con l'identificatore 2608.02805.
Fatti principali
- Sviluppato un framework unificato di analisi delle lesioni 2D che integra LLM, rilevamento, segmentazione e generazione di referti.
- Testato sul dataset originale DeepLesion.
- Precisione di rilevamento: mAP50 del 70,1%, mAP50-95 del 46,4%.
- Prestazioni di segmentazione: punteggio Dice del 62,6%.
- Generazione di referti: BLEU_1 64,3%, BLEU_4 49,6%, METEOR 34,7%, ROUGE_L 60,1%.
- Raggiunto un miglioramento del 28,5% nel punteggio Dice rispetto al modello di segmentazione nnUNet.
- Integrato il contesto spaziale e anatomico nel framework.
- Articolo disponibile su arXiv (2608.02805).
Entità
Istituzioni
- arXiv