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
- 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) - ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。
5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文 参考訳(メタデータ) (2024-08-26T08:59:22Z) - Novel adaptation of video segmentation to 3D MRI: efficient zero-shot knee segmentation with SAM2 [1.6237741047782823]
Segment Anything Model 2 を応用した3次元膝関節MRIのゼロショット単発セグメンテーション法を提案する。
3次元医用ボリュームのスライスを個々のビデオフレームとして扱うことで、SAM2の高度な能力を利用して、モーションおよび空間認識の予測を生成する。
SAM2は、訓練や微調整を伴わずに、ゼロショット方式でセグメント化タスクを効率的に実行できることを実証する。
論文 参考訳(メタデータ) (2024-08-08T21:39:15Z) - SAM3D: Zero-Shot Semi-Automatic Segmentation in 3D Medical Images with the Segment Anything Model [3.2554912675000818]
SAM3Dは,既存のセグメンテーションモデル上に構築された3次元画像の半自動ゼロショットセグメンテーションのための新しいアプローチである。
ユーザが3Dポリラインでプロンプトし、複数の軸に沿ってボリュームスライスし、事前訓練されたモデルでスライスワイド推論を行い、3Dで再構成と洗練を行う4段階の戦略で、3D画像の高速かつ正確なセグメンテーションを実現する。
論文 参考訳(メタデータ) (2024-05-10T19:26:17Z) - Rotate to Scan: UNet-like Mamba with Triplet SSM Module for Medical Image Segmentation [8.686237221268584]
本稿では,新しいタイプの画像分割ネットワークとしてTriplet Mamba-UNetを提案する。
本モデルでは,従来のVM-UNetと比較してパラメータの3分の1の削減を実現している。
論文 参考訳(メタデータ) (2024-03-26T13:40:18Z) - Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳(メタデータ) (2024-03-05T00:46:53Z) - 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) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
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)
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。