論文の概要: TriSAM: Tri-Plane SAM for zero-shot cortical blood vessel segmentation
in VEM images
- arxiv url: http://arxiv.org/abs/2401.13961v1
- Date: Thu, 25 Jan 2024 05:50:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 15:32:01.785362
- Title: TriSAM: Tri-Plane SAM for zero-shot cortical blood vessel segmentation
in VEM images
- Title(参考訳): TriSAM: VEM画像におけるゼロショット皮質血管セグメンテーションのためのTri-Plane SAM
- Authors: Jia Wan, Wanhua Li, Atmadeep Banerjee, Jason Ken Adhinarta, Evelina
Sjostedt, Jingpeng Wu, Jeff Lichtman, Hanspeter Pfister, Donglai Wei
- Abstract要約: 本稿では,VEM(Volume Electron Microscopy, VEM)画像における皮質血管のセグメンテーションに特化して設計された,これまでで最大のベンチマークであるBvEMを紹介する。
BvEMベンチマークは、神経血管結合の謎を解き明かすための重要なステップであり、その影響は脳の機能や病理に及んでいる。
- 参考スコア(独自算出の注目度): 32.17900658739131
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we address a significant gap in the field of neuroimaging by
introducing the largest-to-date public benchmark, BvEM, designed specifically
for cortical blood vessel segmentation in Volume Electron Microscopy (VEM)
images. The intricate relationship between cerebral blood vessels and neural
function underscores the vital role of vascular analysis in understanding brain
health. While imaging techniques at macro and mesoscales have garnered
substantial attention and resources, the microscale VEM imaging, capable of
revealing intricate vascular details, has lacked the necessary benchmarking
infrastructure. As researchers delve deeper into the microscale intricacies of
cerebral vasculature, our BvEM benchmark represents a critical step toward
unraveling the mysteries of neurovascular coupling and its impact on brain
function and pathology. The BvEM dataset is based on VEM image volumes from
three mammal species: adult mouse, macaque, and human. We standardized the
resolution, addressed imaging variations, and meticulously annotated blood
vessels through semi-automatic, manual, and quality control processes, ensuring
high-quality 3D segmentation. Furthermore, we developed a zero-shot cortical
blood vessel segmentation method named TriSAM, which leverages the powerful
segmentation model SAM for 3D segmentation. To lift SAM from 2D segmentation to
3D volume segmentation, TriSAM employs a multi-seed tracking framework,
leveraging the reliability of certain image planes for tracking while using
others to identify potential turning points. This approach, consisting of
Tri-Plane selection, SAM-based tracking, and recursive redirection, effectively
achieves long-term 3D blood vessel segmentation without model training or
fine-tuning. Experimental results show that TriSAM achieved superior
performances on the BvEM benchmark across three species.
- Abstract(参考訳): 本稿では,大脳皮質血管分節(vem)像に特化して設計された,最新の公開ベンチマークであるbvemを導入することで,神経画像の分野における大きなギャップを解消する。
脳血管と神経機能の複雑な関係は、脳の健康を理解する上で血管分析の重要な役割を担っている。
マクロとメソスケールでのイメージング技術は注目とリソースを集めているが、マイクロスケールのvemイメージングは複雑な血管の詳細を明らかにすることができるが、必要なベンチマークインフラが不足している。
私たちのBvEMベンチマークは、脳血管のマイクロスケールの複雑さを深く研究する中で、神経血管結合の謎と脳機能と病理への影響を解明するための重要なステップを示しています。
BvEMデータセットは、成体マウス、マカク、ヒトの3種の哺乳類のVEM画像量に基づいている。
半自動,手動,品質管理のプロセスを通じて,高画質の3Dセグメンテーションを保証し,高精細度,高精細度,高精細度の血管造影を行った。
さらに,TriSAMと呼ばれる,強力なセグメンテーションモデルSAMを3次元セグメンテーションに用いるゼロショット皮質血管セグメンテーション法を開発した。
SAMを2Dセグメンテーションから3Dボリュームセグメンテーションに上げるために、TriSAMは多種追跡フレームワークを使用して、ある画像平面の信頼性を活用しながら、他の画像を用いて潜在的回転点を識別する。
このアプローチはTri-Plane選択、SAMベースの追跡、再帰的リダイレクトから成り、モデルトレーニングや微調整なしに長期の3D血管セグメンテーションを実現する。
実験の結果,TriSAMは3種のBvEMベンチマークにおいて優れた性能を示した。
関連論文リスト
- Simulation-Based Segmentation of Blood Vessels in Cerebral 3D OCTA
Images [4.945556328362821]
本稿では,セグメンテーションアルゴリズムの監督に合成データを活用することを提案する。
血管グラフから合成脳3D OCTA画像へのパッチの変換を行った。
大規模な実験では,本手法が競争結果の達成を実証する。
論文 参考訳(メタデータ) (2024-03-11T19:14:51Z) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic
Segmentation [49.916468280857885]
Mask-Enhanced SAM (M-SAM) は3次元腫瘍病変の分節に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
論文 参考訳(メタデータ) (2024-03-09T13:37:02Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - 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) - SAM3D: Segment Anything Model in Volumetric Medical Images [11.764867415789901]
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。
論文 参考訳(メタデータ) (2023-09-07T06:05:28Z) - 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) - 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) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳(メタデータ) (2020-10-09T08:22:54Z) - 3D Reconstruction and Segmentation of Dissection Photographs for
MRI-free Neuropathology [2.4984854046383624]
脳郭清画像から全脳像量を再構成・分画する手法を提案する。
3次元再構成は、MRI以外の参照ボリュームを使用する共同登録フレームワークによって達成される。
我々は,Diceスコアとボリューム相関を用いて,24脳のデータセット上で本手法の評価を行った。
論文 参考訳(メタデータ) (2020-09-11T18:21:00Z)
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。