SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location on MRI

磁共振成像（MRI）在放射学中至关重要，提供对人体的非侵入性和高质量洞察。将MRI精确分割为不同的器官和组织将非常有益，因为这将允许更高水平的图像内容理解和重要测量，这对于准确诊断和有效治疗规划至关重要。具体来说，MRI骨骼分割将允许更多的肌肉骨骼疾病量化评估，而这些评估在目前的放射学实践中很少见。骨骼MRI分割的困难在于公开可用的算法有限，并且文献中包含的算法通常仅涉及特定的解剖区域。在我们的研究中，我们提出了一种通用的、公开可用的深度学习模型，用于MRI中的骨骼分割，跨越多个标准MRI位置。所提出的模型可以在两种模式下运行：完全自动化分割和提示式分割。我们的贡献包括（1）收集和注释涵盖各种MRI协议的新MRI数据集，涵盖不同解剖区域的300多个注释体积和8485个注释切片；（2）研究几种标准网络架构和自动分割策略；（3）引入SegmentAnyBone，一种基于创新的基于模型的方法，扩展了Segment Anything Model（SAM）；（4）对我们的算法和以前的方法进行比较分析；（5）我们的算法在不同解剖位置和MRI序列以及外部数据集上进行了泛化分析。我们在https://github.com/mazurowski-lab/SegmentAnyBone上公开发布我们的模型。

提高MRI图像中骨骼分割的精度和效率，以便更好地进行医学诊断和治疗规划。

提出了一种基于深度学习的骨骼分割模型SegmentAnyBone，可以自动化地分割MRI图像中的骨骼。该模型采用了一种基于SAM的创新方法，可以在多个标准MRI位置上进行骨骼分割，具有较高的准确性和鲁棒性。

论文收集和注释了一个新的MRI数据集，包含来自不同解剖区域的300多个注释体积和8485个注释切片。实验结果表明，SegmentAnyBone模型在多个MRI位置和序列上表现出良好的泛化能力。同时，作者还公开了模型的代码，方便其他研究者使用和改进。

近年来，基于深度学习的医学图像分割研究得到了广泛关注。在MRI骨骼分割方面，之前的研究主要集中在特定解剖区域，如膝盖、脊柱等。例如，有研究采用3D卷积神经网络对膝盖MRI图像进行分割。