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
- 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 [2.58000193754246]
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) - Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion
Segmentation [8.48654202385983]
SAMと呼ばれるコンピュータビジョン基盤モデルを用いて最適化した形態素強化クラス活性化マップ(CAM)誘導モデルを提案する。
本フレームワークはDiceの74.39%のスコアをテストセットで達成し,教師付き学習手法と比較可能な性能を示した。
論文 参考訳(メタデータ) (2023-11-18T22:06:04Z) - Why Does Sharpness-Aware Minimization Generalize Better Than SGD? [102.40907275290891]
シャープネス・アウェアの最小化(SAM)がデータモデルや2層畳み込みReLUネットワークに対してグラディエントDescent(SGD)よりも優れていることを示す。
その結果,SAMの利点,特に早期の雑音学習を防止し,特徴のより効果的な学習を容易にする能力について解説した。
論文 参考訳(メタデータ) (2023-10-11T07:51:10Z) - 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) - Customized Segment Anything Model for Medical Image Segmentation [10.933449793055313]
我々は,大規模画像分割モデルであるSAM(Segment Anything Model)に基づいて,医用画像分割のための大規模モデルをカスタマイズする新たな研究パラダイムを探求する。
SAMedは、SAMイメージエンコーダにローランクベース(LoRA)ファインタニング戦略を適用し、ラベル付き医用画像セグメンテーションデータセットにプロンプトエンコーダとマスクデコーダを併用する。
我々の訓練されたSAMedモデルは,最先端の手法に匹敵する医用画像のセマンティックセグメンテーションを実現する。
論文 参考訳(メタデータ) (2023-04-26T19:05:34Z) - 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。
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。