論文の概要: Ladder Fine-tuning approach for SAM integrating complementary network

• arxiv url: http://arxiv.org/abs/2306.12737v1
• Date: Thu, 22 Jun 2023 08:36:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 15:06:17.608047
• Title: Ladder Fine-tuning approach for SAM integrating complementary network
• Title（参考訳）: SAM統合補間ネットワークのためのラダーファインチューニング手法
• Authors: Shurong Chai, Rahul Kumar Jain, Shiyu Teng, Jiaqing Liu, Yinhao Li, Tomoko Tateyama, Yen-wei Chen
• Abstract要約: 医用画像では、プライバシー問題やその他の要因によるトレーニングサンプルの欠如が、これらの一般化されたモデルを医用画像分割タスクに適用する上で大きな課題となっている。 本研究では、医用画像分割のための標準SAMネットワークとともに、補完的な畳み込みニューラルネットワーク(CNN)を提案する。 この戦略は、トレニッヒ時間を著しく短縮し、公開データセット上での競合的な結果を達成する。
• 参考スコア（独自算出の注目度）: 5.46706034286531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, foundation models have been introduced demonstrating various tasks in the field of computer vision. These models such as Segment Anything Model (SAM) are generalized models trained using huge datasets. Currently, ongoing research focuses on exploring the effective utilization of these generalized models for specific domains, such as medical imaging. However, in medical imaging, the lack of training samples due to privacy concerns and other factors presents a major challenge for applying these generalized models to medical image segmentation task. To address this issue, the effective fine tuning of these models is crucial to ensure their optimal utilization. In this study, we propose to combine a complementary Convolutional Neural Network (CNN) along with the standard SAM network for medical image segmentation. To reduce the burden of fine tuning large foundation model and implement cost-efficient trainnig scheme, we focus only on fine-tuning the additional CNN network and SAM decoder part. This strategy significantly reduces trainnig time and achieves competitive results on publicly available dataset. The code is available at https://github.com/11yxk/SAM-LST.
• Abstract（参考訳）: 近年,コンピュータビジョンの分野で様々な課題を示す基礎モデルが紹介されている。 Segment Anything Model (SAM)のようなこれらのモデルは、巨大なデータセットを使用してトレーニングされた一般化モデルである。 現在進行中の研究は、医療画像などの特定の領域におけるこれらの一般化モデルの有効利用を探求することに焦点を当てている。 しかし,医療画像では,プライバシの懸念やその他の要因によるトレーニングサンプルの欠如が,医療画像分割タスクに一般化モデルを適用する上で大きな課題となっている。 この問題に対処するため、これらのモデルの効果的な微調整は、それらの最適利用を保証するために不可欠である。 本研究では,医療画像分割のための標準SAMネットワークとともに,補完的な畳み込みニューラルネットワーク(CNN)を提案する。 大きな基礎モデルの微調整の負担を軽減し、コスト効率のよいトレインニグスキームを実装するため、追加のcnnネットワークとsamデコーダ部分の微調整にのみ焦点を合わせます。 この戦略はトレーニッヒの時間を著しく削減し、公開データセットで競争力のある結果を達成する。 コードはhttps://github.com/11yxk/SAM-LSTで公開されている。

関連論文リスト

• Exploiting the Segment Anything Model (SAM) for Lung Segmentation in Chest X-ray Images [0.8192907805418583]
  Segment Anything Model (SAM) は、ある画像内の個々のオブジェクトを意味論的解釈によって識別し、分離するために設計された野心的なツールである。 何人かの研究者が、この領域のパフォーマンスを評価するために、このモデルを医療画像上でテストし始めた。 本研究は胸部X線画像の評価と研究にこの新技術を用いることを提案する。
  論文  参考訳（メタデータ） (2024-11-05T12:54:01Z)
• Unleashing the Power of Generic Segmentation Models: A Simple Baseline for Infrared Small Target Detection [57.666055329221194]
  本稿では,Segment Anything Model (SAM) などのジェネリックセグメンテーションモデルの赤外線小物体検出タスクへの適応について検討する。 提案モデルでは,既存の手法と比較して,精度とスループットの両方で性能が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-07T05:31:24Z)
• How to build the best medical image segmentation algorithm using foundation models: a comprehensive empirical study with Segment Anything Model [12.051904886550956]
  この研究は、様々なバックボーンアーキテクチャ、モデルコンポーネント、および18の組み合わせにわたる微調整アルゴリズムによる既存の微調整戦略をまとめたものである。 一般的な放射線学のモダリティを網羅した17のデータセットで評価した。 コードとMRI特有の微調整ウェイトをリリースし、元のSAMよりも一貫して優れた性能を得た。
  論文  参考訳（メタデータ） (2024-04-15T17:31:32Z)
• Masked LoGoNet: Fast and Accurate 3D Image Analysis for Medical Domain [48.440691680864745]
  我々はLoGoNetと呼ばれる新しいニューラルネットワークアーキテクチャを導入する。 LoGoNetは、LKA(Large Kernel Attention)とデュアルエンコーディング戦略を利用して、U字型アーキテクチャに新しい特徴抽出器を統合する。 大規模ラベル付きデータセットの欠如を補うために,3次元画像に適した新しいSSL方式を提案する。
  論文  参考訳（メタデータ） (2024-02-09T05:06:58Z)
• PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation [6.134314911212846]
  現在の最先端の医用画像分割法は精度を優先するが、計算要求の増大とより大きなモデルサイズを犠牲にすることも多い。 計算冗長性を避けつつグローバルな局所特徴処理のバランスをとる新しい医用画像分割モデルPMFSNetを提案する。 長期依存関係をキャプチャするために,アテンション機構に基づいたマルチスケール機能拡張モジュールであるPMFSブロックをプラグインとして組み込んでいる。
  論文  参考訳（メタデータ） (2024-01-15T10:26:47Z)
• 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)
• Self-Prompting Large Vision Models for Few-Shot Medical Image Segmentation [14.135249795318591]
  本稿では,医療ビジョン応用における自己プロンプトの新たな視点を提案する。 我々は、Segment Anything Modelの埋め込み空間を利用して、単純だが効果的な線形ピクセルワイド分類器を通して自身を誘導する。 複数のデータセットで競合する結果を得る。
  論文  参考訳（メタデータ） (2023-08-15T08:20:07Z)
• AdaptiveSAM: Towards Efficient Tuning of SAM for Surgical Scene Segmentation [49.59991322513561]
  本稿では,新しいデータセットに迅速かつ効率的に適応できるSegment-Anything(SAM)の適応的な修正を提案する。 AdaptiveSAMは、フリーフォームテキストをプロンプトとして使用し、ラベル名のみをプロンプトとして、興味のあるオブジェクトをセグメント化することができる。 実験の結果,AdaptiveSAMは様々な医用画像データセットの最先端手法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） (2023-08-07T17:12:54Z)
• 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)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
  医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。 このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。 このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
  論文  参考訳（メタデータ） (2020-06-23T20:43:18Z)

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。