論文の概要: SA-Med2D-20M Dataset: Segment Anything in 2D Medical Imaging with 20 Million masks

• arxiv url: http://arxiv.org/abs/2311.11969v1
• Date: Mon, 20 Nov 2023 17:59:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-21 17:38:56.289828
• Title: SA-Med2D-20M Dataset: Segment Anything in 2D Medical Imaging with 20 Million masks
• Title（参考訳）: SA-Med2D-20Mデータセット:2000万マスクの2D医療画像のセグメンテーション
• Authors: Jin Ye, Junlong Cheng, Jianpin Chen, Zhongying Deng, Tianbin Li, Haoyu Wang, Yanzhou Su, Ziyan Huang, Jilong Chen, Lei Jiang, Hui Sun, Min Zhu, Shaoting Zhang, Junjun He, Yu Qiao
• Abstract要約: SA-Med2D-20Mは、多数のパブリックおよびプライベートデータセット上に構築された2次元医療画像の大規模セグメンテーションデータセットである。 本稿では、SA-Med2D-20Mで収集されたすべてのデータセットについて述べ、これらのデータセットの処理方法について詳述する。
• 参考スコア（独自算出の注目度）: 35.53894627942628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segment Anything Model (SAM) has achieved impressive results for natural image segmentation with input prompts such as points and bounding boxes. Its success largely owes to massive labeled training data. However, directly applying SAM to medical image segmentation cannot perform well because SAM lacks medical knowledge -- it does not use medical images for training. To incorporate medical knowledge into SAM, we introduce SA-Med2D-20M, a large-scale segmentation dataset of 2D medical images built upon numerous public and private datasets. It consists of 4.6 million 2D medical images and 19.7 million corresponding masks, covering almost the whole body and showing significant diversity. This paper describes all the datasets collected in SA-Med2D-20M and details how to process these datasets. Furthermore, comprehensive statistics of SA-Med2D-20M are presented to facilitate the better use of our dataset, which can help the researchers build medical vision foundation models or apply their models to downstream medical applications. We hope that the large scale and diversity of SA-Med2D-20M can be leveraged to develop medical artificial intelligence for enhancing diagnosis, medical image analysis, knowledge sharing, and education. The data with the redistribution license is publicly available at https://github.com/OpenGVLab/SAM-Med2D.
• Abstract（参考訳）: Segment Anything Model (SAM) は、点やバウンディングボックスなどの入力プロンプトを持つ自然な画像のセグメンテーションにおいて、印象的な結果を得た。 その成功は主に大量のラベル付きトレーニングデータによる。 しかし、SAMは医学的な知識を欠いているため、医療画像のセグメンテーションにSAMを直接適用することはうまくいかない。 SAMに医療知識を組み込むために,多数の公開およびプライベートデータセット上に構築された2次元医用画像の大規模セグメンテーションデータセットであるSA-Med2D-20Mを導入する。 460万枚の医療画像と197万枚のマスクで構成され、ほぼ全体を覆い、かなりの多様性を示している。 本稿では,SA-Med2D-20Mで収集したすべてのデータセットについて述べる。 さらに、SA-Med2D-20Mの総合統計データを提示し、我々のデータセットをよりよく活用できるようにし、研究者が医療ビジョン基盤モデルを構築したり、下流の医療アプリケーションに適用したりするのに役立ちます。 我々は,SA-Med2D-20Mの大規模かつ多様性を活用して,診断,医用画像解析,知識共有,教育を強化する医療人工知能の開発を期待する。 再配布ライセンス付きデータはhttps://github.com/OpenGVLab/SAM-Med2Dで公開されている。

関連論文リスト

• DB-SAM: Delving into High Quality Universal Medical Image Segmentation [100.63434169944853]
  本稿では,2次元医療データと2次元医療データとのギャップを埋めるために,DB-SAMという二分岐型SAMフレームワークを提案する。 文献における最近の医療用SAMアダプタと比較して,DB-SAMは8.8%向上した。
  論文  参考訳（メタデータ） (2024-10-05T14:36:43Z)
• SAM-UNet:Enhancing Zero-Shot Segmentation of SAM for Universal Medical Images [40.4422523499489]
  Segment Anything Model (SAM) は、様々な自然画像のセグメンテーションタスクにおいて印象的な性能を示した。 本稿では,U-Netを元のSAMに組み込んだ新たな基盤モデルSAMUNetを提案する。 我々は,SA-Med2D-16MでSAM-UNetをトレーニングした。
  論文  参考訳（メタデータ） (2024-08-19T11:01:00Z)
• Interactive 3D Medical Image Segmentation with SAM 2 [17.523874868612577]
  ビデオで訓練した次世代のMeta SAMモデルSAM 2のゼロショット機能について, 医用画像のセグメンテーションについて検討する。 3D画像のシーケンシャルな2Dスライスをビデオフレームとして扱うことで、SAM 2は単一のフレームから3Dボリューム全体へのアノテーションの完全な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-08-05T16:58:56Z)
• SAM-Med3D: Towards General-purpose Segmentation Models for Volumetric Medical Images [35.83393121891959]
  ボリューム医療画像の汎用セグメンテーションのためのSAM-Med3Dを提案する。 SAM-Med3Dは様々な解剖学的構造と病変を正確に分類することができる。 提案手法は,医療資源を多用した汎用医療AIの開発に活用できることを実証するものである。
  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)
• SAM-Med2D [34.82072231983896]
  我々はSAM-Med2Dを医療用2次元画像に適用する最も包括的な研究である。 まず、公開およびプライベートデータセットから約4.6Mの画像と19.7Mマスクを収集し、キュレートします。 元のSAMのエンコーダとデコーダを微調整して、良好な性能のSAM-Med2Dを得る。
  論文  参考訳（メタデータ） (2023-08-30T17:59:02Z)
• Medical SAM Adapter: Adapting Segment Anything Model for Medical Image Segmentation [51.770805270588625]
  Segment Anything Model (SAM)は画像セグメンテーションの分野で最近人気を集めている。 近年の研究では、SAMは医用画像のセグメンテーションにおいて過小評価されている。 ドメイン固有の医療知識をセグメンテーションモデルに組み込んだ医療SAMアダプタ(Med-SA)を提案する。
  論文  参考訳（メタデータ） (2023-04-25T07:34:22Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• MedMNIST v2: A Large-Scale Lightweight Benchmark for 2D and 3D Biomedical Image Classification [59.10015984688104]
  MedMNIST v2は、MNISTに似た大規模データセットコレクションである。 得られたデータセットは708,069個の2D画像と10,214個の3D画像で構成されている。
  論文  参考訳（メタデータ） (2021-10-27T22:02:04Z)

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。