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
- ProMISe: Promptable Medical Image Segmentation using SAM [12.297591988310673]
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) - SurgicalSAM: Efficient Class Promptable Surgical Instrument Segmentation [65.52097667738884]
そこで本研究では,SAMの知識と外科的特異的情報を統合し,汎用性を向上させるための,新しいエンドツーエンドの効率的なチューニング手法であるScientialSAMを紹介した。
具体的には,タイピングのための軽量なプロトタイプベースクラスプロンプトエンコーダを提案し,クラスプロトタイプから直接プロンプト埋め込みを生成する。
また,手術器具カテゴリー間のクラス間差異の低さに対応するために,コントラッシブなプロトタイプ学習を提案する。
論文 参考訳(メタデータ) (2023-08-17T02:51:01Z) - 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) - 3DSAM-adapter: Holistic Adaptation of SAM from 2D to 3D for Promptable
Medical Image Segmentation [56.50064853710202]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳(メタデータ) (2023-06-23T12:09:52Z) - Segment Anything Model (SAM) for Radiation Oncology [13.556384944315958]
臨床放射線治療におけるSegment Anything Model(SAM)の有用性について検討した。
以上の結果から,SAMのセグメンテーション・モードは,ほとんどの臓器・リスク(OAR)において臨床的に許容できるセグメンテーションを達成できることが示唆された。
臓器の大きさと境界の明快さを考えると、SAMは明確な境界を持つ大きな臓器ではより良い性能を示すが、境界が不明瞭な小さな臓器ではより悪い性能を示す。
論文 参考訳(メタデータ) (2023-06-20T17:59:14Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
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) - Zero-shot performance of the Segment Anything Model (SAM) in 2D medical
imaging: A comprehensive evaluation and practical guidelines [0.13854111346209866]
Segment Anything Model (SAM)は、大規模なトレーニングデータセットを使用して、ほぼすべてのオブジェクトをセグメント化する。
この結果から,SAMのゼロショット性能は,現在の最先端技術に匹敵するものであることが判明した。
我々は、一貫して堅牢な結果をもたらしながら、最小限の相互作用を必要とする実践的ガイドラインを提案する。
論文 参考訳(メタデータ) (2023-04-28T22:07:24Z) - 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。