論文の概要: SAM3D: Segment Anything Model in Volumetric Medical Images
- arxiv url: http://arxiv.org/abs/2309.03493v1
- Date: Thu, 7 Sep 2023 06:05:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 14:21:21.796994
- Title: SAM3D: Segment Anything Model in Volumetric Medical Images
- Title(参考訳): SAM3D: ボリューム医療画像におけるセグメンテーションモデル
- Authors: Nhat-Tan Bui and Dinh-Hieu Hoang and Minh-Triet Tran and Ngan Le
- Abstract要約: 本稿では,SAMエンコーダの3次元医用画像を対象としたSAM3Dを提案する。
我々のモデルは、入力として3Dボリュームイメージ全体を取り、それをシンプルかつ効果的に処理することで、かなりの数のパラメータのトレーニングを回避します。
- 参考スコア(独自算出の注目度): 12.13428803342104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image segmentation is a critical task in medical image analysis, providing
valuable information that helps to make an accurate diagnosis. In recent years,
deep learning-based automatic image segmentation methods have achieved
outstanding results in medical images. In this paper, inspired by the Segment
Anything Model (SAM), a foundation model that has received much attention for
its impressive accuracy and powerful generalization ability in 2D still image
segmentation, we propose a SAM3D that targets at 3D volumetric medical images
and utilizes the pre-trained features from the SAM encoder to capture
meaningful representations of input images. Different from other existing
SAM-based volumetric segmentation methods that perform the segmentation by
dividing the volume into a set of 2D slices, our model takes the whole 3D
volume image as input and processes it simply and effectively that avoids
training a significant number of parameters. Extensive experiments are
conducted on multiple medical image datasets to demonstrate that our network
attains competitive results compared with other state-of-the-art methods in 3D
medical segmentation tasks while being significantly efficient in terms of
parameters.
- Abstract(参考訳): 画像分割は医用画像解析において重要な課題であり、正確な診断に役立つ貴重な情報を提供する。
近年,深層学習に基づく自動画像分割手法が医療画像に優れた結果をもたらしている。
本稿では,2次元静止画セグメンテーションにおける印象的な精度と強力な一般化能力に多くの注目を集めた基礎モデルであるsegment anything model(sam)に触発されて,3次元体積医用画像を対象としたsam3dを提案する。
ボリュームを2次元スライスに分割することでセグメンテーションを行う既存のSAMベースボリュームセグメンテーション法とは異なり、本モデルでは3次元ボリューム画像全体を入力として取り込んで、簡便かつ効果的に、かなりの数のパラメータのトレーニングを避ける。
複数の医用画像データセットを用いて大規模な実験を行い, パラメータの面では極めて効率的でありながら, 従来の3次元医用セグメンテーションの手法と比較して, ネットワークが競争力を発揮することを示した。
関連論文リスト
- M3D: Advancing 3D Medical Image Analysis with Multi-Modal Large Language Models [49.5030774873328]
これまでの研究は主に2Dの医療画像に焦点を合わせてきた。
120K画像テキスト対と62K命令応答対からなる大規模3次元マルチモーダル医療データセットM3D-Dataを提案する。
また,新しい3次元マルチモーダル・メディカル・ベンチマークであるM3D-Benchを導入し,8つのタスクにまたがる自動評価を容易にする。
論文 参考訳(メタデータ) (2024-03-31T06:55:12Z) - Towards a Comprehensive, Efficient and Promptable Anatomic Structure Segmentation Model using 3D Whole-body CT Scans [23.573958232965104]
Segment Any Model (SAM) は、自然画像のセグメンテーションにおける強力な能力の一般化を示す。
3D放射線CTまたはMRIスキャンを分割するには、2D SAMモデルは数百の2Dスライスを別々に処理する必要がある。
我々はCT-SAM3Dという全身CTセグメント化のための包括的でスケーラブルな3次元SAMモデルを提案する。
論文 参考訳(メタデータ) (2024-03-22T09:40:52Z) - 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) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - Auto-Prompting SAM for Mobile Friendly 3D Medical Image Segmentation [11.70892315284039]
Segment Anything Model (SAM)は、幅広い自然画像のセグメンテーションに急速に採用されている。
近年の研究では、SAMは3次元医用画像分割作業においてサブパーパフォーマンスを示すことが示されている。
本稿では,3次元多臓器CTを用いたセグメンテーションのための新しい手法AutoSAM Adapterを提案する。
論文 参考訳(メタデータ) (2023-08-28T23:23:53Z) - MedLSAM: Localize and Segment Anything Model for 3D CT Images [14.290321536041816]
3次元医用画像の局所化モデル(MedLAM)を開発した。
MedLAMは、ほんの少しのテンプレートスキャンを使用して、解剖学的構造を直接ローカライズすることができる。
将来の3D SAMモデルとシームレスに統合される可能性がある。
論文 参考訳(メタデータ) (2023-06-26T15:09:02Z) - 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) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳(メタデータ) (2020-09-01T19:17:46Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳(メタデータ) (2020-07-09T13:23:15Z)
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。