論文の概要: SAM-OCTA: Prompting Segment-Anything for OCTA Image Segmentation
- arxiv url: http://arxiv.org/abs/2310.07183v2
- Date: Wed, 20 Mar 2024 06:42:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 22:27:37.350065
- Title: SAM-OCTA: Prompting Segment-Anything for OCTA Image Segmentation
- Title（参考訳）: SAM-OCTA:OCTA画像セグメンテーションのためのセグメンテーション
- Authors: Xinrun Chen, Chengliang Wang, Haojian Ning, Shiying Li, Mei Shen,
- Abstract要約: OCTA画像の局所分割のためのSAM-OCTA法を提案する。
低ランク適応(LoRA)を用いたSAM(Pre-trained segment Any Model)の微調整法
- 参考スコア（独自算出の注目度）: 2.452498006404167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmenting specific targets or biomarkers is necessary to analyze optical coherence tomography angiography (OCTA) images. Previous methods typically segment all the targets in an OCTA sample, such as retinal vessels (RVs). Although these methods perform well in accuracy and precision, OCTA analyses often focusing local information within the images which has not been fulfilled. In this paper, we propose a method called SAM-OCTA for local segmentation in OCTA images. The method fine-tunes a pre-trained segment anything model (SAM) using low-rank adaptation (LoRA) and utilizes prompt points for local RVs, arteries, and veins segmentation in OCTA. To explore the effect and mechanism of prompt points, we set up global and local segmentation modes with two prompt point generation strategies, namely random selection and special annotation. Considering practical usage, we conducted extended experiments with different model scales and analyzed the model performance before and after fine-tuning besides the general segmentation task. From comprehensive experimental results with the OCTA-500 dataset, our SAM-OCTA method has achieved state-of-the-art performance in common OCTA segmentation tasks related to RV and FAZ, and it also performs accurate segmentation of artery-vein and local vessels. The code is available at https://github.com/ShellRedia/SAM-OCTA-extend.
- Abstract（参考訳）: 光コヒーレンス・トモグラフィ・アンギオグラフィー(OCTA)画像の解析には,特定のターゲットやバイオマーカーのセグメンテーションが必要である。
以前の方法は、通常、網膜血管(RV)のようなOCTAサンプルの全てのターゲットを分割する。
これらの手法は精度と精度が良いが、OCTA分析では、達成されていない画像内の局所的な情報に焦点を当てることが多い。
本稿では,OCTA画像の局所分割のためのSAM-OCTAという手法を提案する。
この方法は、ローランク適応(LoRA)を用いて事前訓練されたセグメンテーションモデル(SAM)を微調整し、OCTA内の局所RV、動脈、静脈セグメンテーションのプロンプトポイントを利用する。
そこで我々は,プロンプトポイントの効果とメカニズムを探るため,ランダム選択と特別なアノテーションという2つのプロンプトポイント生成戦略を用いたグローバルおよびローカルセグメンテーションモードを構築した。
実用性を考慮して, モデルスケールの異なる拡張実験を行い, 汎用セグメンテーションタスクの他, 微調整前後のモデル性能を解析した。
OCTA-500データセットを用いた総合的な実験結果から,本手法はRVおよびFAZに関連する共通OCTAセグメンテーションタスクにおいて最先端の性能を達成し,動脈静脈および局所血管の正確なセグメンテーションを行う。
コードはhttps://github.com/ShellRedia/SAM-OCTA-extendで公開されている。
関連論文リスト
- SAM-OCTA2: Layer Sequence OCTA Segmentation with Fine-tuned Segment Anything Model 2 [2.314516220934268]
SAM(Segment Anything Model)バージョン2の微調整には低ランク適応方式が採用されている。
メソッドはSAM-OCTA2と呼ばれ、OCTA-500データセットで実験されている。
正常な2次元の面にFoveal avascular zone(FAZ)を分断し、スキャン層をまたいだ局所血管を効果的に追跡する。
論文 参考訳（メタデータ） (2024-09-14T03:28:24Z) - 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) - Test-Time Adaptation with SaLIP: A Cascade of SAM and CLIP for Zero shot Medical Image Segmentation [10.444726122035133]
臓器分割のための単純な統合フレームワークSaLIPを提案する。
SAMは画像内の部分ベースのセグメンテーションに使用され、CLIPは関心領域に対応するマスクを検索する。
最後に、SAMは検索されたROIによって特定の臓器を分節するように促される。
論文 参考訳（メタデータ） (2024-04-09T14:56:34Z) - I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。
トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
論文 参考訳（メタデータ） (2023-11-28T00:43:52Z) - SAM-OCTA: A Fine-Tuning Strategy for Applying Foundation Model to OCTA
Image Segmentation Tasks [2.8743451550676866]
低ランク適応手法を基礎モデル微調整に適用し,それに対応するプロンプトポイント生成戦略を提案する。
この手法はSAM-OCTAと呼ばれ、OCTA-500データセットで実験されている。
本手法は,最先端の性能指標を達成しつつ,局所血管の分断と動脈静脈の分断を効果的に行う。
論文 参考訳（メタデータ） (2023-09-21T03:41:08Z) - 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) - SamDSK: Combining Segment Anything Model with Domain-Specific Knowledge
for Semi-Supervised Learning in Medical Image Segmentation [27.044797468878837]
Segment Anything Model (SAM)は、自然画像に広範囲のオブジェクトを分割する機能を示す。
本稿では、SAMとドメイン固有の知識を組み合わせて、ラベルなし画像の信頼性の高い利用法を提案する。
本研究は,医用画像セグメンテーションのための半教師あり学習の新たな方向性を創出する。
論文 参考訳（メタデータ） (2023-08-26T04:46:10Z) - 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) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Self-supervised Image-specific Prototype Exploration for Weakly
Supervised Semantic Segmentation [72.33139350241044]
画像レベルのラベルをベースとしたWSSS(Weakly Supervised Semantic COCO)は,アノテーションコストの低さから注目されている。
本稿では,画像特異的なプロトタイプ探索 (IPE) と汎用一貫性 (GSC) の喪失からなる画像固有プロトタイプ探索 (SIPE) を提案する。
SIPEは,画像レベルラベルのみを用いて,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-03-06T09:01:03Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z)
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。