Fugu-MT 論文翻訳(概要): Cheap Lunch for Medical Image Segmentation by Fine-tuning SAM on Few Exemplars

論文の概要: Cheap Lunch for Medical Image Segmentation by Fine-tuning SAM on Few Exemplars

arxiv url: http://arxiv.org/abs/2308.14133v1
Date: Sun, 27 Aug 2023 15:21:25 GMT
ステータス: 処理完了
システム内更新日: 2023-08-29 16:34:10.167440
Title: Cheap Lunch for Medical Image Segmentation by Fine-tuning SAM on Few Exemplars
Title（参考訳）: ファインチューニングSAMによる医療画像分割用チープレンチ
Authors: Weijia Feng and Lingting Zhu and Lequan Yu
Abstract要約: Segment Anything Model (SAM) はスケールアップセグメンテーションモデルの顕著な機能を示した。しかし, 医療領域における基礎モデルの導入は, 十分なデータのラベル付けが困難で費用がかかるため, 課題となっている。本稿では,限られた数の例を用いてSAMを微調整するための効率的かつ実用的な手法を提案する。
参考スコア（独自算出の注目度）: 19.725817146049707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Segment Anything Model (SAM) has demonstrated remarkable capabilities of scaled-up segmentation models, enabling zero-shot generalization across a variety of domains. By leveraging large-scale foundational models as pre-trained models, it is a natural progression to fine-tune SAM for specific domains to further enhance performances. However, the adoption of foundational models in the medical domain presents a challenge due to the difficulty and expense of labeling sufficient data for adaptation within hospital systems. In this paper, we introduce an efficient and practical approach for fine-tuning SAM using a limited number of exemplars, making it suitable for such scenarios. Our approach combines two established techniques from the literature: an exemplar-guided synthesis module and the widely recognized Low-Rank Adaptation (LoRA) fine-tuning strategy, serving as data-level and model-level attempts respectively. Interestingly, our empirical findings suggest that SAM can be effectively aligned within the medical domain even with few labeled data. We validate our approach through experiments on brain tumor segmentation (BraTS) and multi-organ CT segmentation (Synapse). The comprehensive results underscore the feasibility and effectiveness of such an approach, paving the way for the practical application of SAM in the medical domain.
Abstract（参考訳）: Segment Anything Model (SAM) はスケールアップセグメンテーションモデルの優れた機能を示し、様々な領域でゼロショットの一般化を可能にする。大規模基礎モデルを事前訓練モデルとして活用することにより、特定の領域に対してSAMを微調整してパフォーマンスをさらに向上することは自然な進歩である。しかし, 医療領域における基礎モデルの導入は, 病院システム内の適応に十分なデータのラベル付けが困難であり, 費用がかかるため, 課題となっている。本稿では,限られた数の例を用いて,samを微調整するための効率的かつ実用的な手法を提案する。提案手法は,先駆的な合成モジュールと広く認識されているローランド適応(LoRA)ファインチューニング戦略の2つの手法を組み合わせることで,それぞれがデータレベルおよびモデルレベルの試みとして機能する。興味深いことに, SAMはラベル付きデータが少ない場合でも, 医療領域内で効果的に整列できる可能性が示唆された。脳腫瘍セグメンテーション (BraTS) と多臓器CTセグメンテーション (Synapse) によるアプローチを検証した。包括的結果は,このようなアプローチの実現可能性と有効性を示し,医療分野におけるSAMの実用化への道を開いた。

関連論文リスト

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)
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)
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)
Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文参考訳（メタデータ） (2024-03-12T18:12:02Z)
ProMISe: Promptable Medical Image Segmentation using SAM [11.710367186709432]
ターゲット領域にユークリッド適応プロンプトを付加したSAMベースの基盤モデルを提供する自動プロンプトモジュール(APM)を提案する。また、SAMを特定の医療領域に適応させるために、Incrmental Pattern Shifting (IPS) と呼ばれる新しい非侵襲的手法を提案する。これら2つの手法を結合することにより,プロンプタブル・メディカルイメージのためのエンドツーエンドな非微調整フレームワークであるProMISeを提案する。
論文参考訳（メタデータ） (2024-03-07T02:48:42Z)
Evaluation and improvement of Segment Anything Model for interactive histopathology image segmentation [3.677055050765245]
Segment Anything Model (SAM) は画像セグメンテーションの基礎モデルである。病理組織学的データを用いて,ゼロショットおよび微調整シナリオにおけるSAMの性能を評価する。本稿では,SAMのデコーダを改良して,インタラクティブな組織像のセグメンテーションに役立てることを提案する。
論文参考訳（メタデータ） (2023-10-16T15:17:06Z)
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)
SAM-Path: A Segment Anything Model for Semantic Segmentation in Digital Pathology [28.62539784951823]
Segment Anything Model (SAM) のような基礎モデルは、最近セグメンテーションタスクで普遍的に使用されるように提案されている。そこで本研究では,学習可能なクラスプロンプトを導入し,また病理基盤モデルの導入によりさらなる拡張を行うことによって,SAMをセマンティックセマンティックセマンティックセマンティクスに適用する。我々のフレームワークSAM-Pathは、人間の入力プロンプトを使わずに、デジタル病理のセマンティックセマンティックセグメンテーションを行うSAMの能力を高める。
論文参考訳（メタデータ） (2023-07-12T20:15:25Z)
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)
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)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)

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。