論文の概要: Medical SAM Adapter: Adapting Segment Anything Model for Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2304.12620v7
- Date: Fri, 29 Dec 2023 03:40:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 02:46:50.044980
- Title: Medical SAM Adapter: Adapting Segment Anything Model for Medical Image
Segmentation
- Title(参考訳): 医用samアダプタ : 医用画像分割のためのsegment anythingモデルの適用
- Authors: Junde Wu and Wei Ji and Yuanpei Liu and Huazhu Fu and Min Xu and Yanwu
Xu and Yueming Jin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 51.770805270588625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Segment Anything Model (SAM) has recently gained popularity in the field
of image segmentation due to its impressive capabilities in various
segmentation tasks and its prompt-based interface. However, recent studies and
individual experiments have shown that SAM underperforms in medical image
segmentation, since the lack of the medical specific knowledge. This raises the
question of how to enhance SAM's segmentation capability for medical images. In
this paper, instead of fine-tuning the SAM model, we propose the Medical SAM
Adapter (Med-SA), which incorporates domain-specific medical knowledge into the
segmentation model using a light yet effective adaptation technique. In Med-SA,
we propose Space-Depth Transpose (SD-Trans) to adapt 2D SAM to 3D medical
images and Hyper-Prompting Adapter (HyP-Adpt) to achieve prompt-conditioned
adaptation. We conduct comprehensive evaluation experiments on 17 medical image
segmentation tasks across various image modalities. Med-SA outperforms several
state-of-the-art (SOTA) medical image segmentation methods, while updating only
2\% of the parameters. Our code is released at
https://github.com/KidsWithTokens/Medical-SAM-Adapter.
- Abstract(参考訳): Segment Anything Model (SAM) は、画像セグメンテーションの分野で、様々なセグメンテーションタスクやプロンプトベースのインタフェースにおいて印象的な機能によって最近人気を集めている。
しかし、最近の研究や個人実験により、SAMは医学的な特定の知識が欠如しているため、医療画像のセグメンテーションにおいて不十分であることが示されている。
これにより、医療画像におけるSAMのセグメンテーション能力の強化に関する疑問が提起される。
本稿では,samモデルを微調整する代わりに,領域固有の医学知識を,軽量かつ効果的な適応手法を用いてセグメンテーションモデルに組み込む医療用samアダプタ(med-sa)を提案する。
Med-SAでは,3次元医用画像に2次元SAMを適応させる空間深度変換(SD-Trans)と,即時適応を実現するハイパープロンプト適応(HyP-Adpt)を提案する。
各種画像モダリティを対象とした17の医用画像分割作業に関する総合評価実験を行った。
Med-SAは、パラメータのわずか2%を更新しながら、いくつかの最先端(SOTA)医療画像セグメンテーション法より優れている。
私たちのコードはhttps://github.com/KidsWithTokens/Medical-SAM-Adapterでリリースされています。
関連論文リスト
- Few-Shot Adaptation of Training-Free Foundation Model for 3D Medical Image Segmentation [8.78725593323412]
FATE-SAM (Few-shot Adaptation of Training-frEe SAM) は、3次元医用画像セグメンテーションに高度なセグメンテーションモデル2 (SAM2) を適用するために設計された新しい手法である。
FATE-SAMはSAM2の事前訓練されたモジュールを再組み立てし、少数のサポート例を活用する。
複数の医用画像データセット上でFATE-SAMを評価し、教師付き学習方法、ゼロショットSAMアプローチ、微調整医療SAM手法と比較した。
論文 参考訳(メタデータ) (2025-01-15T20:44:21Z) - Learnable Prompting SAM-induced Knowledge Distillation for Semi-supervised Medical Image Segmentation [47.789013598970925]
半教師型医用画像分割のための知識蒸留フレームワークKnowSAMを提案する。
我々のモデルは最先端の半教師付きセグメンテーションアプローチより優れている。
論文 参考訳(メタデータ) (2024-12-18T11:19:23Z) - DB-SAM: Delving into High Quality Universal Medical Image Segmentation [100.63434169944853]
本稿では,2次元医療データと2次元医療データとのギャップを埋めるために,DB-SAMという二分岐型SAMフレームワークを提案する。
文献における最近の医療用SAMアダプタと比較して,DB-SAMは8.8%向上した。
論文 参考訳(メタデータ) (2024-10-05T14:36:43Z) - Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。
我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。
医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
論文 参考訳(メタデータ) (2024-06-03T03:16:25Z) - MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image
Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。
本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。
画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文 参考訳(メタデータ) (2023-09-16T02:41:53Z) - SAM-Med2D [34.82072231983896]
我々はSAM-Med2Dを医療用2次元画像に適用する最も包括的な研究である。
まず、公開およびプライベートデータセットから約4.6Mの画像と19.7Mマスクを収集し、キュレートします。
元のSAMのエンコーダとデコーダを微調整して、良好な性能のSAM-Med2Dを得る。
論文 参考訳(メタデータ) (2023-08-30T17:59:02Z) - AutoSAM: Adapting SAM to Medical Images by Overloading the Prompt
Encoder [101.28268762305916]
この作業では、Segment Anything Modelを同じ入力イメージで動作するエンコーダに置き換える。
複数の医用画像とビデオのベンチマークで最先端の結果を得る。
内部の知識を検査し、軽量なセグメンテーションソリューションを提供するために、浅いデコンボリューションネットワークによってマスクに復号化することを学ぶ。
論文 参考訳(メタデータ) (2023-06-10T07:27:00Z) - Customized Segment Anything Model for Medical Image Segmentation [10.933449793055313]
我々は,大規模画像分割モデルであるSAM(Segment Anything Model)に基づいて,医用画像分割のための大規模モデルをカスタマイズする新たな研究パラダイムを探求する。
SAMedは、SAMイメージエンコーダにローランクベース(LoRA)ファインタニング戦略を適用し、ラベル付き医用画像セグメンテーションデータセットにプロンプトエンコーダとマスクデコーダを併用する。
我々の訓練されたSAMedモデルは,最先端の手法に匹敵する医用画像のセマンティックセグメンテーションを実現する。
論文 参考訳(メタデータ) (2023-04-26T19:05:34Z) - Segment Anything Model for Medical Image Analysis: an Experimental Study [19.95972201734614]
Segment Anything Model (SAM) は、ユーザ定義オブジェクトをインタラクティブな方法でセグメント化する基礎モデルである。
SAMの医用画像の分類能力について,各種のモダリティと解剖から,19の医用画像データセットの集合体を用いて評価した。
論文 参考訳(メタデータ) (2023-04-20T17:50:18Z)
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。