論文の概要: CEmb-SAM: Segment Anything Model with Condition Embedding for Joint
Learning from Heterogeneous Datasets
- arxiv url: http://arxiv.org/abs/2308.06957v1
- Date: Mon, 14 Aug 2023 06:22:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 14:16:14.850740
- Title: CEmb-SAM: Segment Anything Model with Condition Embedding for Joint
Learning from Heterogeneous Datasets
- Title（参考訳）: cemb-sam: 異種データセットからの共同学習のための条件埋め込み型セグメントanyモデル
- Authors: Dongik Shin, Beomsuk Kim and Seungjun Baek
- Abstract要約: 我々は異種データセットから共同学習する問題を考察する。
異種データセットを1つのデータセットにマージし、各コンポーネントデータセットをサブグループとして参照します。
実験の結果,Cemb-SAMは末梢神経および乳癌に対する超音波画像分割法において,ベースライン法よりも優れていた。
- 参考スコア（独自算出の注目度）: 3.894987097246834
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated segmentation of ultrasound images can assist medical experts with
diagnostic and therapeutic procedures. Although using the common modality of
ultrasound, one typically needs separate datasets in order to segment, for
example, different anatomical structures or lesions with different levels of
malignancy. In this paper, we consider the problem of jointly learning from
heterogeneous datasets so that the model can improve generalization abilities
by leveraging the inherent variability among datasets. We merge the
heterogeneous datasets into one dataset and refer to each component dataset as
a subgroup. We propose to train a single segmentation model so that the model
can adapt to each sub-group. For robust segmentation, we leverage recently
proposed Segment Anything model (SAM) in order to incorporate sub-group
information into the model. We propose SAM with Condition Embedding block
(CEmb-SAM) which encodes sub-group conditions and combines them with image
embeddings from SAM. The conditional embedding block effectively adapts SAM to
each image sub-group by incorporating dataset properties through learnable
parameters for normalization. Experiments show that CEmb-SAM outperforms the
baseline methods on ultrasound image segmentation for peripheral nerves and
breast cancer. The experiments highlight the effectiveness of Cemb-SAM in
learning from heterogeneous datasets in medical image segmentation tasks.
- Abstract（参考訳）: 超音波画像の自動分割は医療専門家の診断と治療の助けとなる。
超音波の共通モードを用いるが、例えば、異なる解剖学的構造や悪性度の異なる病変を分割するために、通常は別々のデータセットが必要である。
本稿では,ヘテロジニアスデータセットから共同で学習する問題を考察し,データセット間の固有の変動性を活用し,一般化能力の向上を図る。
異種データセットを1つのデータセットにマージし、各コンポーネントデータセットをサブグループとして参照します。
モデルが各サブグループに適応できるように,単一セグメンテーションモデルをトレーニングすることを提案する。
堅牢なセグメンテーションのために、我々は最近提案されたセグメンテーションモデル(SAM)を活用し、サブグループ情報をモデルに組み込む。
本稿では,サブグループ条件を符号化し,SAMのイメージ埋め込みと組み合わせた条件埋め込みブロック(CEmb-SAM)を提案する。
条件埋め込みブロックは、正規化のための学習可能なパラメータを通してデータセット特性を組み込むことにより、SAMを各画像サブグループに効果的に適応させる。
実験の結果,CEmb-SAMは末梢神経および乳癌に対する超音波画像分割法において,ベースライン法よりも優れていた。
この実験は、医療画像セグメンテーションタスクにおける異種データセットからの学習におけるCemb-SAMの有効性を強調した。
関連論文リスト
- Toward Generalizable Multiple Sclerosis Lesion Segmentation Models [0.0]
本研究の目的は,多様な評価データセットにまたがる一般化モデルを開発することである。
私たちは、最先端のUNet++アーキテクチャを体系的にトレーニングした、高品質で公開可能なすべてのMS病変セグメンテーションデータセットを使用しました。
論文 参考訳（メタデータ） (2024-10-25T15:21:54Z) - MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。
提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。
また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
論文 参考訳（メタデータ） (2024-09-28T23:10:37Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。
3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
論文 参考訳（メタデータ） (2024-03-29T15:59:11Z) - Uncertainty-Aware Adapter: Adapting Segment Anything Model (SAM) for Ambiguous Medical Image Segmentation [20.557472889654758]
Segment Anything Model (SAM) は自然画像のセグメンテーションにおいて大きな成功を収めた。
自然画像とは異なり、医療画像の多くの組織や病変はぼやけており、曖昧である可能性がある。
本研究では,不確実性を認識した医療画像のセグメンテーションのためにSAMを効率よく微調整するUncertainty-aware Adapterという新しいモジュールを提案する。
論文 参考訳（メタデータ） (2024-03-16T14:11:54Z) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文 参考訳（メタデータ） (2024-03-09T13:37:02Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - 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) - Semantic-SAM: Segment and Recognize Anything at Any Granularity [83.64686655044765]
本稿では,任意の粒度でセグメンテーションと認識を可能にする汎用画像セグメンテーションモデルであるSemantic-SAMを紹介する。
複数のデータセットを3つの粒度に集約し、オブジェクトとパーツの分離した分類を導入する。
マルチグラニュラリティ機能を実現するために,各クリックで複数のレベルのマスクを生成できるマルチ選択学習方式を提案する。
論文 参考訳（メタデータ） (2023-07-10T17:59:40Z) - SAM: Self-supervised Learning of Pixel-wise Anatomical Embeddings in
Radiological Images [23.582516309813425]
自己監督型解剖学的eMbedding(SAM)を導入し,ラベルのない画像から本質的な構造を学習する。
SAMは、解剖学的位置または身体部分を記述する各画像ピクセルに対してセマンティック埋め込みを生成する。
2次元および3次元画像モダリティを持つ複数のタスクにおいてSAMの有効性を示す。
論文 参考訳（メタデータ） (2020-12-04T03:31:20Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z)
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。