論文の概要: Polyp-SAM: Transfer SAM for Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2305.00293v1
• Date: Sat, 29 Apr 2023 16:11:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 16:03:36.401290
• Title: Polyp-SAM: Transfer SAM for Polyp Segmentation
• Title（参考訳）: Polyp-SAM:ポリプセグメンテーションのためのトランスファーSAM
• Authors: Yuheng Li, Mingzhe Hu, and Xiaofeng Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.4492242722754107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Colon polyps are considered important precursors for colorectal cancer. Automatic segmentation of colon polyps can significantly reduce the misdiagnosis of colon cancer and improve physician annotation efficiency. While many methods have been proposed for polyp segmentation, training large-scale segmentation networks with limited colonoscopy data remains a challenge. Recently, the Segment Anything Model (SAM) has recently gained much attention in both natural and medical image segmentation. SAM demonstrates superior performance in several image benchmarks and therefore shows great potential for medical image segmentation. In this study, we propose Poly-SAM, a finetuned SAM model for polyp segmentation, and compare its performance to several state-of-the-art polyp segmentation models. We also compare two transfer learning strategies of SAM with and without finetuning its encoders. Evaluated on five public datasets, our Polyp-SAM achieves state-of-the-art performance on two datasets and impressive performance on three datasets, with dice scores all above 88%. This study demonstrates the great potential of adapting SAM to medical image segmentation tasks. We plan to release the code and model weights for this paper at: https://github.com/ricklisz/Polyp-SAM.
• Abstract（参考訳）: 大腸ポリープは大腸癌の重要な前駆体と考えられている。 大腸ポリープの自動分画は大腸癌の誤診を著しく低減し、医師の診断効率を向上させる。 ポリープセグメンテーションには多くの方法が提案されているが,大腸内視鏡データを限定した大規模セグメンテーションネットワークの訓練は課題である。 近年,Segment Anything Model (SAM) は,自然画像と医用画像のセグメンテーションにおいて注目されている。 SAMはいくつかの画像ベンチマークにおいて優れた性能を示しており、医用画像のセグメンテーションに大きな可能性を示している。 本研究では,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,その性能を最先端ポリプセグメンテーションモデルと比較する。 samの2つの転送学習戦略をエンコーダを微調整することなく比較した。 5つのパブリックデータセットで評価され、2つのデータセットで最先端のパフォーマンスを達成し、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ました。 本研究は,SAMを医用画像分割タスクに適用する大きな可能性を示す。 この記事では、コードとモデルの重み付けを次のようにリリースする予定です。

関連論文リスト

• 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)
• Self-Prompting Polyp Segmentation in Colonoscopy using Hybrid Yolo-SAM 2 Model [18.61909523131399]
  本稿では,Segment Anything Model(SAM2)とYOLOv8モデルを統合することで,ポリプセグメンテーションの新たなアプローチを提案する。 本手法では,YOLOv8のバウンディングボックス予測を利用してSAM 2の入力プロンプトを自動生成することで,手動アノテーションの必要性を軽減している。 われわれは,5つのベンチマーク大腸内視鏡画像データセットと2つの大腸内視鏡ビデオデータセットの徹底的な試験を行い,この手法が画像分割タスクおよびビデオ分割タスクの最先端モデルを上回ることを示した。
  論文  参考訳（メタデータ） (2024-09-14T17:11:37Z)
• Polyp SAM 2: Advancing Zero shot Polyp Segmentation in Colorectal Cancer Detection [18.61909523131399]
  ポリープ分画は大腸癌の早期発見と診断において重要な役割を担っている。 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一般的なセグメンテーションモデル2(SAM2)をリリースした。 そこで本論文では,各種刺激条件下でのセグメンテーションポリプにおけるSAM2の性能評価を行った。
  論文  参考訳（メタデータ） (2024-08-12T02:10:18Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• 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)
• 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)
• 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)
• 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)
• Can SAM Segment Polyps? [43.259797663208865]
  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。
  論文  参考訳（メタデータ） (2023-04-15T15:41:10Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。