論文の概要: Segment Anything in Medical Images

• arxiv url: http://arxiv.org/abs/2304.12306v2
• Date: Mon, 17 Jul 2023 21:10:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 18:57:27.737205
• Title: Segment Anything in Medical Images
• Title（参考訳）: 医用画像におけるセグメンテーション
• Authors: Jun Ma, Yuting He, Feifei Li, Lin Han, Chenyu You, and Bo Wang
• Abstract要約: 本稿では,ユニバーサルな医用画像セグメンテーションのための基礎モデルであるMedSAMを紹介する。 MedSAMは100万枚以上の画像からなる精巧にキュレートされたデータセットのパワーを利用する。 幅広いタスクに対して正確で効率的なセグメンテーションを提供することで、MedSAMは診断ツールの進化を早める大きな可能性を秘めている。
• 参考スコア（独自算出の注目度）: 23.6764866836732
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical image segmentation is a critical component in clinical practice, facilitating accurate diagnosis, treatment planning, and disease monitoring. However, current methods predominantly rely on customized models, which exhibit limited generality across diverse tasks. In this study, we present MedSAM, the inaugural foundation model designed for universal medical image segmentation. Harnessing the power of a meticulously curated dataset comprising over one million images, MedSAM not only outperforms existing state-of-the-art segmentation foundation models, but also exhibits comparable or even superior performance to specialist models. Moreover, MedSAM enables the precise extraction of essential biomarkers for tumor burden quantification. By delivering accurate and efficient segmentation across a wide spectrum of tasks, MedSAM holds significant potential to expedite the evolution of diagnostic tools and the personalization of treatment plans.
• Abstract（参考訳）: 医療画像分割は臨床における重要な要素であり、正確な診断、治療計画、疾患のモニタリングが容易である。 しかし、現在の手法は主にカスタマイズされたモデルに依存しており、様々なタスクにまたがる汎用性は限られている。 本研究では,ユニバーサルな医用画像分割のための基礎モデルであるMedSAMについて述べる。 MedSAMは、100万以上の画像からなる精巧にキュレートされたデータセットのパワーを損なうだけでなく、既存の最先端セグメンテーション基盤モデルよりも優れています。 さらにメドサムは腫瘍負担定量化のための必須バイオマーカーの精密抽出を可能にする。 幅広いタスクにまたがって正確で効率的なセグメンテーションを提供することで、メドサムは診断ツールの進化と治療計画のパーソナライズを早める重要な可能性を秘めている。

関連論文リスト

• Large-scale and Fine-grained Vision-language Pre-training for Enhanced CT Image Understanding [17.783231335173486]
  解剖学的CT画像解釈のための細粒度視覚言語モデル(fVLM)を提案する。 しかし、微粒なアライメントは、かなり偽陰性な課題に直面している。 今回,69,086例のCT画像と報告データをもとに,これまでで最大のCTデータセットを収集した。
  論文  参考訳（メタデータ） (2025-01-24T14:50:48Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• Structure-Aware Stylized Image Synthesis for Robust Medical Image Segmentation [10.776242801237862]
  本稿では,拡散モデルと構造保存ネットワークを組み合わせた新しい医用画像分割手法を提案する。 本手法は, 病変の位置, サイズ, 形状を維持しつつ, 様々なソースからの画像を一貫したスタイルに変換することで, 領域シフトを効果的に軽減する。
  論文  参考訳（メタデータ） (2024-12-05T16:15:32Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• From CNN to Transformer: A Review of Medical Image Segmentation Models [7.3150850275578145]
  医用画像セグメンテーションのための深層学習が主流となっている。 本稿では,近年最も代表的な4つの医用画像セグメンテーションモデルについて調査する。 理論的にこれらのモデルの特徴を解析し、2つのベンチマークデータセット上でそれらの性能を定量的に評価する。
  論文  参考訳（メタデータ） (2023-08-10T02:48:57Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Zero-shot performance of the Segment Anything Model (SAM) in 2D medical imaging: A comprehensive evaluation and practical guidelines [0.13854111346209866]
  Segment Anything Model (SAM)は、大規模なトレーニングデータセットを使用して、ほぼすべてのオブジェクトをセグメント化する。 この結果から,SAMのゼロショット性能は,現在の最先端技術に匹敵するものであることが判明した。 我々は、一貫して堅牢な結果をもたらしながら、最小限の相互作用を必要とする実践的ガイドラインを提案する。
  論文  参考訳（メタデータ） (2023-04-28T22:07:24Z)
• Generalist Vision Foundation Models for Medical Imaging: A Case Study of Segment Anything Model on Zero-Shot Medical Segmentation [5.547422331445511]
  9つの医用画像セグメンテーションベンチマークにおいて,定量および定性的ゼロショットセグメンテーションの結果を報告する。 本研究は,医用画像における一般視基盤モデルの汎用性を示すものである。
  論文  参考訳（メタデータ） (2023-04-25T08:07:59Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。