論文の概要: SAM-U: Multi-box prompts triggered uncertainty estimation for reliable SAM in medical image

• arxiv url: http://arxiv.org/abs/2307.04973v1
• Date: Tue, 11 Jul 2023 02:27:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-12 16:30:15.875418
• Title: SAM-U: Multi-box prompts triggered uncertainty estimation for reliable SAM in medical image
• Title（参考訳）: SAM-U:医療画像における信頼性SAMの不確実性推定を誘発するマルチボックス
• Authors: Guoyao Deng, Ke Zou, Kai Ren, Meng Wang, Xuedong Yuan, Sancong Ying and Huazhu Fu
• Abstract要約: そこで本研究では, SAM cues に対するマルチボックスプロンプトによる不確実性評価を行い, セグメント状病変や組織に対する信頼性を実証する。 実験の結果,マルチボックスによりSAM性能が向上し,各画素に不確かさが認められた。
• 参考スコア（独自算出の注目度）: 29.063412868961098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Segmenting Anything has taken an important step towards general artificial intelligence. At the same time, its reliability and fairness have also attracted great attention, especially in the field of health care. In this study, we propose multi-box prompts triggered uncertainty estimation for SAM cues to demonstrate the reliability of segmented lesions or tissues. We estimate the distribution of SAM predictions via Monte Carlo with prior distribution parameters, which employs different prompts as formulation of test-time augmentation. Our experimental results found that multi-box prompts augmentation improve the SAM performance, and endowed each pixel with uncertainty. This provides the first paradigm for a reliable SAM.
• Abstract（参考訳）: 最近、Segmenting Anythingは汎用人工知能への重要な一歩を踏み出した。 同時に、その信頼性と公平性も特に医療の分野で大きな注目を集めている。 本研究では, SAM cues の不確実性評価を誘発するマルチボックスプロンプトを提案し, セグメント状病変や組織に対する信頼性を実証する。 テスト時間拡張の定式化として異なるプロンプトを用いて,モンテカルロによるSAM予測の分布を事前分布パラメータで推定する。 実験の結果,マルチボックスによりSAM性能が向上し,各画素に不確かさが認められた。 これは、信頼性のあるSAMの最初のパラダイムを提供する。

関連論文リスト

• SAMPa: Sharpness-aware Minimization Parallelized [51.668052890249726]
  シャープネス認識(SAM)はニューラルネットワークの一般化を改善することが示されている。 SAMの更新には2つの勾配を瞬時に計算する必要がある。 我々は,SAMPaと呼ばれるSAMの簡単な修正を提案し,この2つの勾配計算を完全に並列化することができる。
  論文  参考訳（メタデータ） (2024-10-14T16:21:23Z)
• On Efficient Variants of Segment Anything Model: A Survey [63.127753705046]
  Segment Anything Model (SAM) は画像分割タスクの基本モデルであり、多様なアプリケーションにまたがる強力な一般化で知られている。 これを解決するために、精度を保ちながら効率を高めるために様々なSAM変種が提案されている。 この調査は、これらの効率的なSAM変種に関する最初の包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2024-10-07T11:59:54Z)
• MedSAM-U: Uncertainty-Guided Auto Multi-Prompt Adaptation for Reliable MedSAM [37.63029776390275]
  医用画像セグメンテーションのためのマルチプロンプト入力を自動的に洗練する不確実性誘導フレームワークであるMedSAM-Uを紹介する。 我々は、プロンプトと初期セグメンテーション結果に関連する不確実性を効果的に推定するために、不確実性誘導型マルチプロンプトを用いる。 MedSAMと比較して、5つの異なるモーダルデータセットの実験結果は、提案されたMedSAM-Uが平均的なパフォーマンス改善を1.7%から20.5%に達成していることを示している。
  論文  参考訳（メタデータ） (2024-09-02T03:40:07Z)
• SAM-SP: Self-Prompting Makes SAM Great Again [11.109389094334894]
  Segment Anything Model (SAM)は、ゼロショットセグメンテーションタスクにおいて印象的な機能を示した。 SAMは、医療画像などの特定の領域に適用した場合、顕著な劣化性能に遭遇する。 本稿では,バニラSAMモデルの拡張に適したSAM-SPという,自己プロンプトに基づくファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T13:03:05Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• WSI-SAM: Multi-resolution Segment Anything Model (SAM) for histopathology whole-slide images [8.179859593451285]
  病理画像の正確なオブジェクト分割機能を備えたWSI-SAM, Segment Anything Model (SAM) を提案する。 トレーニングオーバーヘッドを最小限にしながら、トレーニング済みの知識を完全に活用するために、SAMは凍結し、最小限のパラメータしか導入しません。 本モデルでは, 膵管癌 in situ (DCIS) セグメンテーションタスクと乳癌転移セグメンテーションタスクにおいて, SAMを4.1, 2.5パーセント上回った。
  論文  参考訳（メタデータ） (2024-03-14T10:30:43Z)
• Stable Segment Anything Model [79.9005670886038]
  SAM(Segment Anything Model)は、高品質なプロンプトが与えられた場合、顕著に迅速なセグメンテーションを実現する。 本稿では,SAMのセグメンテーション安定性について,多様なプロンプト特性のスペクトルにわたって包括的解析を行った。 1)SAMのセグメンテーション安定性を広範囲に改善し,2)SAMの強力なセグメンテーション効率と一般化を維持した。
  論文  参考訳（メタデータ） (2023-11-27T12:51:42Z)
• On the Robustness of Segment Anything [46.669794757467166]
  我々は, SAMの試験時間ロバスト性について, 敵のシナリオと共通の腐敗下で検討することを目的としている。 SAMは、ぼやけた汚職を除いて、様々な汚職に対して顕著な堅牢性を示す。
  論文  参考訳（メタデータ） (2023-05-25T16:28:30Z)
• 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)

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。