🔥 今日值得一读
45万张超声图训练，SonoBase在15个数据集全面碾压SAM2，连中低收入国家手持探头都能用！
Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings
👨💼 主理人解读 · 为什么值得关注
做超声AI可直接用开源SonoBase做分割和测量，跨设备跨器官泛化强，省去自建标注数据。
📖 AI 总结
该研究针对超声AI模型碎片化、难以适应设备与操作者变化的问题，构建了开放资源SonoCorpus，整合来自53个公开数据集、24类临床应用、17个国家的456,963张图像与1,626,085个专家标注掩膜，并据此预训练了交互式分割基础模型SonoBase。在15个引入新器官、新设备、新操作者与新地域的评测数据集上，SonoBase全面超越SAM2、MedSAM2和MedSAM3，并达到与各数据集专用模型相当的精度；在完全外部数据上，其表现甚至超过基线模型在同分布基准上的精度。其分割导出的射血分数误差为6.63%，处于观察者间变异范围内，除颤器适应症阈值处的误分类率仅13%，低于基线的18%至42%；胎儿头围与孕龄误差分别为1.81毫米和1.2天，均低于观察者间变异。在基线完全失败的案例中，SonoBase能恢复其中81%的可用分割，包括在塞拉利昂和坦桑尼亚由低训练度用户操作手持探头采集的数据。仅需五个标注样本即可适应新场景，且相同训练流程可迁移至SAM3等新架构，表明优势源于超声专用预训练而非特定架构。研究公开了全部检查点、优化器状态、数据划分索引、去重哈希与入门代码，为可复现的超声AI平台奠定基础。
🔑 关键词速览
| SonoCorpus | 一个开放的超声图像资源库，整合了来自53个公开数据集的456,963张图像和1,626,085个专家掩码，涵盖24个临床应用和17个国家。 |
| SonoBase | 在SonoCorpus上预训练的交互式分割基础模型，在多个评估数据集上优于SAM2、MedSAM2和MedSAM3等基线。 |
| SAM2 | Segment Anything Model 2，一种通用的图像分割基础模型，作为本研究的对比基线之一。 |
| MedSAM2 | 医学领域的Segment Anything Model 2，针对医学图像分割进行适配的模型，作为本研究的对比基线之一。 |
| MedSAM3 | 概念可提示的医学分割模型，作为本研究的对比基线之一。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅