論文の概要: Can SAM Segment Polyps?
- arxiv url: http://arxiv.org/abs/2304.07583v1
- Date: Sat, 15 Apr 2023 15:41:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 18:26:55.273866
- Title: Can SAM Segment Polyps?
- Title(参考訳): SAM Segment Polypsは可能か?
- Authors: Tao Zhou, Yizhe Zhang, Yi Zhou, Ye Wu, Chen Gong
- Abstract要約: 最近、Meta AI Researchは、いくつかのセグメンテーションタスクで有望なパフォーマンスを示すSAM(General Segment Anything Model)をリリースした。
本稿では,SAMのセグメンテーション・ポリープにおける性能について検討する。
- 参考スコア(独自算出の注目度): 43.259797663208865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, Meta AI Research releases a general Segment Anything Model (SAM),
which has demonstrated promising performance in several segmentation tasks. As
we know, polyp segmentation is a fundamental task in the medical imaging field,
which plays a critical role in the diagnosis and cure of colorectal cancer. In
particular, applying SAM to the polyp segmentation task is interesting. In this
report, we evaluate the performance of SAM in segmenting polyps, in which SAM
is under unprompted settings. We hope this report will provide insights to
advance this polyp segmentation field and promote more interesting works in the
future. This project is publicly at https://github.com/taozh2017/SAMPolyp.
- Abstract(参考訳): 最近、Meta AI Researchは、いくつかのセグメンテーションタスクで有望なパフォーマンスを示すSAM(General Segment Anything Model)をリリースした。
私たちが知っているように、ポリープセグメンテーションは、大腸癌の診断と治療において重要な役割を果たす医療画像領域の基本的な課題である。
特に、polypセグメンテーションタスクにSAMを適用するのは興味深い。
本稿では,SAMのセグメンテーション・ポリープにおける性能について検討する。
このレポートは、このポリプセグメンテーション分野を前進させ、将来より興味深い研究を促進するための洞察を提供することを期待している。
このプロジェクトはhttps://github.com/taozh2017/SAMPolyp.comで公開されている。
関連論文リスト
- Moving Object Segmentation: All You Need Is SAM (and Flow) [82.78026782967959]
SAMのセグメンテーション能力と移動物体の発見・グループ化能力を利用する光フローとSAMを組み合わせた2つのモデルについて検討する。
第1のモデルでは、RGBではなく光の流れを入力としてSAMに適応させ、第2のモデルではRGBを入力として、フローをセグメント化プロンプトとして使用する。
これらの驚くほど単純な方法は、追加の修正なしに、シングルオブジェクトとマルチオブジェクトのベンチマークにおいて、以前のアプローチをかなり上回っている。
論文 参考訳(メタデータ) (2024-04-18T17:59:53Z) - Test-Time Adaptation with SaLIP: A Cascade of SAM and CLIP for Zero shot Medical Image Segmentation [10.444726122035133]
臓器分割のための単純な統合フレームワークSaLIPを提案する。
SAMは画像内の部分ベースのセグメンテーションに使用され、CLIPは関心領域に対応するマスクを検索する。
最後に、SAMは検索されたROIによって特定の臓器を分節するように促される。
論文 参考訳(メタデータ) (2024-04-09T14:56:34Z) - RAP-SAM: Towards Real-Time All-Purpose Segment Anything [120.17175256421622]
Segment Anything Model (SAM) は、一般化されたセグメンテーションを実現するための注目すべきモデルである。
現在のリアルタイムセグメンテーションは、主に運転シーンのセグメンテーションのような1つの目的を持っている。
本研究は、リアルタイムデプロイメントにおけるVFMの転送を実現するために、リアルタイムに全目的セグメンテーションと呼ばれる新しいリアルタイムセグメンテーション設定を提案する。
論文 参考訳(メタデータ) (2024-01-18T18:59:30Z) - TinySAM: Pushing the Envelope for Efficient Segment Anything Model [76.21007576954035]
我々は,強力なゼロショット性能を維持しつつ,小さなセグメントの任意のモデル(TinySAM)を得るためのフレームワークを提案する。
本研究は,まず,軽量学生モデルを蒸留するためのハードプロンプトサンプリングとハードマスク重み付け戦略を用いた,フルステージの知識蒸留法を提案する。
また、学習後の量子化を高速化可能なセグメンテーションタスクに適用し、計算コストをさらに削減する。
論文 参考訳(メタデータ) (2023-12-21T12:26:11Z) - Segment Anything Model-guided Collaborative Learning Network for
Scribble-supervised Polyp Segmentation [45.15517909664628]
ポリープのセグメンテーションは、初期におけるポリープの正確な位置決定に重要な役割を担っている。
診断中の医師によるポリープ画像に対するピクセルワイドアノテーションは、時間と費用の両方がかかる。
本稿では,スクリブル制御ポリプセグメンテーションのためのSAM誘導協調学習ネットワーク(SAM-CLNet)を提案する。
論文 参考訳(メタデータ) (2023-12-01T03:07:13Z) - Guided Prompting in SAM for Weakly Supervised Cell Segmentation in
Histopathological Images [27.14641973632063]
本稿では、セグメンタを誘導するために、関連するタスクからのアノテーションである弱い監視を使用することに焦点を当てる。
SAM(Segment Anything)のような最近の基礎モデルは、推論中に追加の監視を活用するためにプロンプトを使用することができる。
すべてのSAMベースのソリューションは、既存の弱教師付きイメージセグメンテーションモデルを大幅に上回り、9~15 ptのDiceゲインを得る。
論文 参考訳(メタデータ) (2023-11-29T11:18:48Z) - Polyp-SAM++: Can A Text Guided SAM Perform Better for Polyp
Segmentation? [0.0]
テキストプロンプト支援SAMであるPolyp-SAM++は、堅牢でより正確なPolypセグメンテーションのために、テキストプロンプトを使用してSAMをより有効に利用できる。
我々は、ベンチマークデータセット上でのポリプセグメンテーションタスクにおいて、テキスト誘導SAMの性能を評価する。
論文 参考訳(メタデータ) (2023-08-12T17:45:39Z) - Polyp-SAM: Transfer SAM for Polyp Segmentation [2.4492242722754107]
Segment Anything Model (SAM)は、最近、自然画像のセグメンテーションと医療画像のセグメンテーションに大きな注目を集めている。
ポリプセグメンテーションのための微調整SAMモデルであるPoly-SAMを提案し、その性能をいくつかの最先端のポリプセグメンテーションモデルと比較する。
我々のPolyp-SAMは、2つのデータセットで最先端のパフォーマンスを実現し、3つのデータセットで印象的なパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2023-04-29T16:11:06Z) - Medical SAM Adapter: Adapting Segment Anything Model for Medical Image
Segmentation [51.770805270588625]
Segment Anything Model (SAM)は画像セグメンテーションの分野で最近人気を集めている。
近年の研究では、SAMは医用画像のセグメンテーションにおいて過小評価されている。
ドメイン固有の医療知識をセグメンテーションモデルに組み込んだ医療SAMアダプタ(Med-SA)を提案する。
論文 参考訳(メタデータ) (2023-04-25T07:34:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。