Ultrasound Club
Исследования · 2024-11-25

UltraSam: исследователи собрали общую основу для сегментации УЗИ

UltraSam исследует возможность обучать алгоритм на разных ультразвуковых данных. Для врача главный вопрос — как такая модель переносится на изображение из другого кабинета.

Что произошло

Авторы UltraSam собрали US-43d: 43 открытых набора с более чем 280 тысячами изображений и масок для более 50 анатомических структур. На этих данных адаптирован Segment Anything Model, который выделяет структуры по указанию точки или области.

В работе описаны сравнения на нескольких задачах сегментации и классификации. Авторы открыли код и обученные модели. Это исследовательский результат; он не устанавливает качество работы на любой модели аппарата или любой патологии.

Две разные проверки общей модели

UltraSam работает по подсказке пользователя: точке или рамке вокруг объекта. Авторы также используют её веса как начальную основу для дообучения других задач. Это два разных сценария: интерактивное выделение структуры и перенос предварительно изученных признаков.

База сравнения включает SAM-подобные модели, а при переносе — инициализацию ImageNet, SAM и MedSAM. Преимущество показывает ценность предварительного обучения на УЗИ в условиях эксперимента, а не способность находить любую патологию без подсказки.

Почему большой открытый набор не решает всё

US-43d объединяет 43 источника с разными органами и правилами разметки. Более 280 тысяч изображений — объём данных, а не число независимых пациентов или клинических проверок. Повторяющиеся кадры одной последовательности могут содержать очень похожую информацию.

При локальной проверке важно оценить не только совпадение масок, но и величину ошибки измерения после сегментации и время ручной коррекции. Открытые веса облегчают исследование и воспроизведение, но сами по себе не создают медицинский продукт с установленными показаниями.

Что это означает для практики

Сегментация — выделение структуры на изображении — может быть частью измерительного процесса. Но хорошее совпадение контуров на тестовом наборе ещё не показывает, насколько удобно врачу исправить ошибку в реальном исследовании.

Для клинического обсуждения важно знать, какие данные не входили в обучение и насколько они похожи на собственную практику. Разные пресеты, глубина и качество окна могут существенно изменить задачу.

Регион и условия применения

Описанные результаты относятся к условиям работы авторов, не означают регуляторного разрешения или доступного клинического продукта.

Статус научной публикации

UltraSam: версия arXiv v2 от 12 ноября 2025 года содержит ссылку на журнальную публикацию в International Journal of Computer Assisted Radiology and Surgery. DOI: 10.1007/s11548-025-03517-8. Дата новости сохранена по первой версии работы. Статус и ссылки сверены 2 октября 2026 года. Публикация результатов не подтверждает готовность клинического продукта или разрешение на его применение.

Мнение редакции Ultrasound Club

Большой набор полезен рядом с независимой проверкой

Мы считаем интересным открытый подход: он позволяет другим группам воспроизводить сравнения. Но масштаб данных не должен заслонять вопрос о границах применимости.

В форуме предложим обсудить, какие контуры особенно трудно оценивать автоматически и какую обратную связь врач ждёт от инструмента. Если пользователь не понимает ошибку, высокая средняя метрика сама по себе не делает систему удобной.

Источники

Исследования · первоисточник

Научная публикация · актуальная версия

Полный текст — методы, таблицы и ограничения

Обсудить с коллегами

Какие структуры сложнее всего выделять автоматически?

Открыть обсуждение →

Как проверять перенос AI на другой аппарат?

Открыть обсуждение →

Что должно быть видно врачу при ошибке сегментации?

Открыть обсуждение →

Продолжайте знакомство с USCLUB

Следите за новыми материалами и анонсами клуба в соцсетях.