Fugu-MT 論文翻訳(概要): Towards Segment Anything Model (SAM) for Medical Image Segmentation: A Survey

論文の概要: Towards Segment Anything Model (SAM) for Medical Image Segmentation: A Survey

arxiv url: http://arxiv.org/abs/2305.03678v3
Date: Fri, 11 Aug 2023 04:23:29 GMT
ステータス: 処理完了
システム内更新日: 2023-08-14 17:03:08.724941
Title: Towards Segment Anything Model (SAM) for Medical Image Segmentation: A Survey
Title（参考訳）: 医用画像分割のためのsegment anything model(sam)に向けて
Authors: Yichi Zhang, Rushi Jiao
Abstract要約: 本稿では,セグメンテーションモデルの成功を医療画像のセグメンテーションタスクに拡張する取り組みについて論じる。医用画像解析の基礎モデルを開発するために、将来の研究を導くために多くの洞察が導かれる。
参考スコア（独自算出の注目度）: 8.76496233192512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the flexibility of prompting, foundation models have become the dominant force in the domains of natural language processing and image generation. With the recent introduction of the Segment Anything Model (SAM), the prompt-driven paradigm has entered the realm of image segmentation, bringing with a range of previously unexplored capabilities. However, it remains unclear whether it can be applicable to medical image segmentation due to the significant differences between natural images and medical images.In this work, we summarize recent efforts to extend the success of SAM to medical image segmentation tasks, including both empirical benchmarking and methodological adaptations, and discuss potential future directions for SAM in medical image segmentation. Although directly applying SAM to medical image segmentation cannot obtain satisfying performance on multi-modal and multi-target medical datasets, many insights are drawn to guide future research to develop foundation models for medical image analysis. To facilitate future research, we maintain an active repository that contains up-to-date paper list and open-source project summary at https://github.com/YichiZhang98/SAM4MIS.
Abstract（参考訳）: プロンプトの柔軟性のため、基盤モデルは自然言語処理と画像生成の領域において支配的な力となっている。最近のSAM(Segment Anything Model)の導入により、プロンプト駆動のパラダイムがイメージセグメンテーションの領域に入り、これまで探索されていなかったさまざまな機能を実現した。しかし, 天然画像と医用画像の有意差により, 医用画像セグメンテーションに適用できるかどうかは不明であり, 本研究では, 経験的ベンチマークと方法論的適応を含む医療用画像セグメンテーションタスクへのSAMの成功を拡大するための最近の取り組みを要約し, 医療用画像セグメンテーションにおけるSAMの今後の方向性について論じる。医療画像セグメンテーションにsamを直接適用しても、マルチモーダルおよびマルチターゲットの医療データセットで満足できる性能は得られないが、医療画像解析の基礎モデルを開発するための今後の研究を導くために、多くの洞察が寄せられている。今後の研究を容易にするため、我々は最新のペーパーリストとオープンソースプロジェクトの概要を含むアクティブリポジトリをhttps://github.com/yichizhang98/sam4misに保持する。

関連論文リスト

LIMIS: Towards Language-based Interactive Medical Image Segmentation [58.553786162527686]
LIMISは、最初の純粋言語に基づく対話型医療画像分割モデルである。我々は、Grounded SAMを医療領域に適応させ、言語に基づくモデルインタラクション戦略を設計する。 LIMISを3つの公開医療データセット上で,パフォーマンスとユーザビリティの観点から評価した。
論文参考訳（メタデータ） (2024-10-22T12:13:47Z)
Image Segmentation in Foundation Model Era: A Survey [99.19456390358211]
イメージセグメンテーションにおける現在の研究は、これらの進歩に関連する特徴、課題、解決策の詳細な分析を欠いている。本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
論文参考訳（メタデータ） (2024-08-23T10:07:59Z)
Unleashing the Potential of SAM2 for Biomedical Images and Videos: A Survey [8.216028136706948]
Segment Anything Model (SAM) は、プロンプト駆動のパラダイムをイメージセグメンテーションの領域に拡張したことを示す。最近のSAM2の導入は、オリジナルのSAMをストリーミング方式に効果的に拡張し、ビデオセグメンテーションにおいて強力なパフォーマンスを示す。本稿では,SAM2をバイオメディカル画像やビデオに適用するための最近の取り組みの概要について述べる。
論文参考訳（メタデータ） (2024-08-23T07:51:10Z)
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)
Segment Any Medical Model Extended [39.80956010574076]
我々は,新しいSAMモデルを統合し,より高速な通信プロトコルを採用し,新しいインタラクティブモードに対応し,モデルのサブコンポーネントの微調整を可能にするプラットフォームであるSAMM Extended (SAMME)を紹介した。これらの機能はSAMのような基礎モデルの可能性を拡大し、画像誘導療法、複合現実インタラクション、ロボットナビゲーション、データ拡張などのアプリケーションに変換することができる。
論文参考訳（メタデータ） (2024-03-26T21:37:25Z)
Segment Anything Model for Medical Image Segmentation: Current Applications and Future Directions [8.216028136706948]
最近のSAM(Segment Anything Model)の導入は、プロンプト駆動パラダイムのイメージセグメンテーション領域への注目すべき拡張を意味している。本稿では,SAMの有効性を医療画像分割タスクに拡張するための最近の取り組みについて概観する。医療画像セグメンテーションにおけるSAMの役割について,今後の研究の道筋を探る。
論文参考訳（メタデータ） (2024-01-07T14:25:42Z)
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)
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)
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)
SAM.MD: Zero-shot medical image segmentation capabilities of the Segment Anything Model [1.1221592576472588]
医用画像のセグメンテーションにおけるセグメンテーションモデル(Segment Anything Model)のゼロショット機能の評価を行った。 SAMはCTデータによく対応し,半自動セグメンテーションツールの進歩の触媒となる可能性が示唆された。
論文参考訳（メタデータ） (2023-04-10T18:20:29Z)
MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文参考訳（メタデータ） (2023-01-19T03:42:36Z)

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。