Fugu-MT 論文翻訳(概要): Are foundation models efficient for medical image segmentation?

論文の概要: Are foundation models efficient for medical image segmentation?

arxiv url: http://arxiv.org/abs/2311.04847v1
Date: Wed, 8 Nov 2023 17:33:09 GMT
ステータス: 処理完了
システム内更新日: 2023-11-09 14:59:23.382682
Title: Are foundation models efficient for medical image segmentation?
Title（参考訳）: 基礎モデルは医用画像分割に効率的か?
Authors: Danielle Ferreira, Rima Arnaout
Abstract要約: Segment Anything Model (SAM) は、広範囲のオブジェクトをセグメント化できるが、前例のない規模で教師付きトレーニングを必要とする。我々はSAMの性能(臨床基礎的事実)と資源(ラベル時間,計算量)を、100個の心超音波検査で25個の測定値に対して、モダリティ特異的なラベルなし自己教師学習(SSL)法と比較した。
参考スコア（独自算出の注目度）: 0.8158530638728501
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Foundation models are experiencing a surge in popularity. The Segment Anything model (SAM) asserts an ability to segment a wide spectrum of objects but required supervised training at unprecedented scale. We compared SAM's performance (against clinical ground truth) and resources (labeling time, compute) to a modality-specific, label-free self-supervised learning (SSL) method on 25 measurements for 100 cardiac ultrasounds. SAM performed poorly and required significantly more labeling and computing resources, demonstrating worse efficiency than SSL.
Abstract（参考訳）: ファンデーションモデルの人気が急上昇している。 Segment Anything Model(SAM)は、広範囲のオブジェクトをセグメント化できるが、前例のない規模で教師付きトレーニングを必要とする。我々はSAMの性能(臨床基礎的事実)と資源(ラベル時間,計算量)を、100個の心エコーで25個の測定値に対して、モダリティ特異的なラベルなし自己教師学習(SSL)法と比較した。 SAMは性能が悪く、ラベル付けや計算資源が大幅に増加し、SSLよりも効率が悪くなった。

関連論文リスト

SAM-Driven Weakly Supervised Nodule Segmentation with Uncertainty-Aware Cross Teaching [13.5553526185399]
自動結節分割は超音波画像におけるコンピュータ支援診断に不可欠である。近年、SAMのようなセグメンテーション基礎モデルは、自然画像に顕著な一般化性を示している。本研究では, セグメンテーション基盤モデルを利用して擬似ラベルを生成する, 弱教師付きフレームワークを考案する。
論文参考訳（メタデータ） (2024-07-18T14:27:54Z)
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)
TinySAM: Pushing the Envelope for Efficient Segment Anything Model [76.21007576954035]
我々は,強力なゼロショット性能を維持しつつ,小さなセグメントの任意のモデル(TinySAM)を得るためのフレームワークを提案する。本研究は,まず,軽量学生モデルを蒸留するためのハードプロンプトサンプリングとハードマスク重み付け戦略を用いた,フルステージの知識蒸留法を提案する。また、学習後の量子化を高速化可能なセグメンテーションタスクに適用し、計算コストをさらに削減する。
論文参考訳（メタデータ） (2023-12-21T12:26:11Z)
ASLseg: Adapting SAM in the Loop for Semi-supervised Liver Tumor Segmentation [2.3617131367115705]
肝腫瘍の分節化は, コンピュータ診断, 手術計画, 予後評価に必須である。セミ・スーパーバイザード・ラーニング(SSL)はこれらの課題に対処するための一般的なテクニックである。我々は、SAMをSSL設定に効果的に適応できる新しい半教師付きフレームワーク ASLseg を提案する。
論文参考訳（メタデータ） (2023-12-13T08:31:26Z)
nnSAM: Plug-and-play Segment Anything Model Improves nnUNet Performance [12.169801149021566]
Segment Anything Model (SAM)は、特定のドメイントレーニングなしで画像セグメンテーションのための汎用ツールとして登場した。 nnUNetのような従来のモデルは推論中に自動セグメンテーションを実行するが、広範なドメイン固有のトレーニングが必要である。提案するnnSAMは,SAMの頑健な特徴抽出とnnUNetの自動構成を統合し,小さなデータセットのセグメンテーション精度を向上させる。
論文参考訳（メタデータ） (2023-09-29T04:26:25Z)
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)
How to Efficiently Adapt Large Segmentation Model(SAM) to Medical Images [15.181219203629643]
Segment Anything (SAM)は、自然画像のゼロショットセグメンテーションにおいて印象的な機能を示す。しかし、医療画像に適用すると、SAMは顕著なパフォーマンス低下に悩まされる。本研究では,SAMエンコーダを凍結し,軽量なタスク固有予測ヘッドを微調整することを提案する。
論文参考訳（メタデータ） (2023-06-23T18:34:30Z)
Ladder Fine-tuning approach for SAM integrating complementary network [5.46706034286531]
医用画像では、プライバシー問題やその他の要因によるトレーニングサンプルの欠如が、これらの一般化されたモデルを医用画像分割タスクに適用する上で大きな課題となっている。本研究では、医用画像分割のための標準SAMネットワークとともに、補完的な畳み込みニューラルネットワーク(CNN)を提案する。この戦略は、トレニッヒ時間を著しく短縮し、公開データセット上での競合的な結果を達成する。
論文参考訳（メタデータ） (2023-06-22T08:36:17Z)
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)
DATA: Domain-Aware and Task-Aware Pre-training [94.62676913928831]
我々は、自己教師付き学習(SSL)に特化した、シンプルで効果的なNASアプローチであるDataを提示する。提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションなど,下流タスクにおける計算コストの広い範囲にわたる有望な結果を実現する。
論文参考訳（メタデータ） (2022-03-17T02:38:49Z)

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。