論文の概要: SAM3D: Segment Anything Model in Volumetric Medical Images
- arxiv url: http://arxiv.org/abs/2309.03493v4
- Date: Tue, 5 Mar 2024 19:43:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 18:01:21.511959
- 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 Gianfranco
Doretto and Donald Adjeroh and Brijesh Patel and Arabinda Choudhary and Ngan
Le
- Abstract要約: 本稿では,3次元ボリューム画像解析に適した革新的適応であるSAM3Dを紹介する。
我々のSAM3Dモデルは、ボリュームを個別に2次元スライスに変換することでボリュームデータを分割する現在のSAMベース手法とは異なり、統一的なアプローチで全3次元ボリューム画像を処理する。
- 参考スコア(独自算出の注目度): 11.764867415789901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image segmentation remains a pivotal component in medical image analysis,
aiding in the extraction of critical information for precise diagnostic
practices. With the advent of deep learning, automated image segmentation
methods have risen to prominence, showcasing exceptional proficiency in
processing medical imagery. Motivated by the Segment Anything Model (SAM)-a
foundational model renowned for its remarkable precision and robust
generalization capabilities in segmenting 2D natural images-we introduce SAM3D,
an innovative adaptation tailored for 3D volumetric medical image analysis.
Unlike current SAM-based methods that segment volumetric data by converting the
volume into separate 2D slices for individual analysis, our SAM3D model
processes the entire 3D volume image in a unified approach. 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. Code and checkpoints are
available at https://github.com/UARK-AICV/SAM3D.
- Abstract(参考訳): 画像セグメンテーションは医用画像解析において重要な要素であり、正確な診断のための重要な情報の抽出を支援する。
深層学習の出現により、画像の自動分割手法が隆盛し、医療画像の処理において異常な熟練度を示している。
Segment Anything Model (SAM) による動機付け - 2次元の自然画像のセグメンテーションにおける顕著な精度と堅牢な一般化能力で有名な基礎モデルである。
我々のSAM3Dモデルは、ボリュームを個別に2次元スライスに変換することでボリュームデータを分割する現在のSAMベース手法とは異なり、統一的なアプローチで全3次元ボリューム画像を処理する。
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。
コードとチェックポイントはhttps://github.com/UARK-AICV/SAM3Dで入手できる。
関連論文リスト
- SAM-Med3D [36.6362248184995]
SAM-Med3D(SAM-Med3D)について紹介する。
我々はSAM-Med3Dを131K以上の3Dマスクと247のカテゴリで訓練する。
SAMと比較すると,3次元医用画像の高効率化と広いセグメンテーション能力を示す。
論文 参考訳(メタデータ) (2023-10-23T17:57:36Z) - 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) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳(メタデータ) (2023-07-24T14:43:07Z) - 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。