論文の概要: UN-SAM: Universal Prompt-Free Segmentation for Generalized Nuclei Images

• arxiv url: http://arxiv.org/abs/2402.16663v1
• Date: Mon, 26 Feb 2024 15:35:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 20:23:28.936144
• Title: UN-SAM: Universal Prompt-Free Segmentation for Generalized Nuclei Images
• Title（参考訳）: UN-SAM: 一般化核画像のためのユニバーサルプロンプトフリーセグメンテーション
• Authors: Zhen Chen, Qing Xu, Xinyu Liu, Yixuan Yuan
• Abstract要約: デジタル病理学において、正確な核分割は、組織の種類、染色プロトコル、イメージング条件の多様性によって、重要な課題である。 我々はUniversal prompt-free SAM framework for Nuclei segmentation (UN-SAM)を提案する。 例外的な性能を持つUN-SAMは、核インスタンスやセマンティックセグメンテーションの最先端、特にゼロショットシナリオにおける一般化能力を上回っている。
• 参考スコア（独自算出の注目度）: 47.59627416801523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In digital pathology, precise nuclei segmentation is pivotal yet challenged by the diversity of tissue types, staining protocols, and imaging conditions. Recently, the segment anything model (SAM) revealed overwhelming performance in natural scenarios and impressive adaptation to medical imaging. Despite these advantages, the reliance of labor-intensive manual annotation as segmentation prompts severely hinders their clinical applicability, especially for nuclei image analysis containing massive cells where dense manual prompts are impractical. To overcome the limitations of current SAM methods while retaining the advantages, we propose the Universal prompt-free SAM framework for Nuclei segmentation (UN-SAM), by providing a fully automated solution with remarkable generalization capabilities. Specifically, to eliminate the labor-intensive requirement of per-nuclei annotations for prompt, we devise a multi-scale Self-Prompt Generation (SPGen) module to revolutionize clinical workflow by automatically generating high-quality mask hints to guide the segmentation tasks. Moreover, to unleash the generalization capability of SAM across a variety of nuclei images, we devise a Domain-adaptive Tuning Encoder (DT-Encoder) to seamlessly harmonize visual features with domain-common and domain-specific knowledge, and further devise a Domain Query-enhanced Decoder (DQ-Decoder) by leveraging learnable domain queries for segmentation decoding in different nuclei domains. Extensive experiments prove that UN-SAM with exceptional performance surpasses state-of-the-arts in nuclei instance and semantic segmentation, especially the generalization capability in zero-shot scenarios. The source code is available at https://github.com/CUHK-AIM-Group/UN-SAM.
• Abstract（参考訳）: デジタル病理学では、正確な核分画は、組織の種類、染色プロトコル、画像条件の多様性によっても重要な課題である。 近年,S segment anything model (SAM) は自然シナリオにおいて圧倒的な性能を示し,医用画像への顕著な適応を示した。 これらの利点にもかかわらず、分節化としての労働集約的な手動アノテーションの依存は、特に密集した手動のプロンプトが実用的でない巨大な細胞を含む核画像解析において、臨床応用性を著しく阻害する。 優位性を維持しつつ,現在のSAM手法の限界を克服するため,Universal prompt-free SAM framework for Nuclei segmentation (UN-SAM)を提案する。 具体的には,マルチスケール自己プロンプト生成(spgen)モジュールを考案し,セグメンテーションタスクを導くための高品質マスクヒントを自動生成することにより,臨床ワークフローに革命をもたらす。 さらに,種々の核画像にまたがってSAMの一般化能力を解き放つために,ドメイン適応型チューニングエンコーダ(DT-Encoder)を考案し,異なるドメイン領域のセグメンテーションデコードに学習可能なドメインクエリを活用することで,視覚的特徴とドメイン固有知識をシームレスに調和させ,ドメインクエリ拡張デコーダ(DQ-Decoder)を考案した。 広範な実験により、UN-SAMは核のインスタンスやセマンティックセグメンテーションの最先端、特にゼロショットシナリオにおける一般化能力を超越していることが証明された。 ソースコードはhttps://github.com/CUHK-AIM-Group/UN-SAMで入手できる。

関連論文リスト

• CoSAM: Self-Correcting SAM for Domain Generalization in 2D Medical Image Segmentation [11.567414253208991]
  自己補正SAM(CoSAM)と呼ばれる2次元医用画像分割法を提案する。 提案手法は,SAMを用いて粗いマスクをプロンプトフリーで生成することから始まり,その後の段階の事前プロンプトを提供する。 修正マスクに基づくフィードバックとして多様なプロンプトを生成し、予測を反復的に洗練する。
  論文  参考訳（メタデータ） (2024-11-15T12:20:52Z)
• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• NuSegDG: Integration of Heterogeneous Space and Gaussian Kernel for Domain-Generalized Nuclei Segmentation [9.332333405703732]
  我々はNuSegDGと略して、核画像分割のためのドメイン一般化可能なフレームワークを提案する。 HS-AdapterはSAMの画像エンコーダに少数のトレーニング可能なパラメータを注入することで、異なる核ドメインの多次元特徴表現を学習する。 GKP-エンコーダは1つの点によって駆動される密度マップを生成し、位置プロンプトと意味プロンプトを混合することによってセグメント化予測を導く。
  論文  参考訳（メタデータ） (2024-08-21T17:19:23Z)
• ESP-MedSAM: Efficient Self-Prompting SAM for Universal Domain-Generalized Medical Image Segmentation [18.388979166848962]
  Segment Anything Model (SAM)は両方の設定でその可能性を実証している。 ESP-MedSAM という汎用的な領域一般化医療画像分割のための効率的なセルフプロンプトSAM を提案する。 ESP-MedSAMは様々な医用画像のセグメンテーションタスクにおいて最先端の成果を上げている。
  論文  参考訳（メタデータ） (2024-07-19T09:32:30Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• Segment Any Cell: A SAM-based Auto-prompting Fine-tuning Framework for Nuclei Segmentation [39.81051783009144]
  Segment Any Cell (SAC) は、SAMを核セグメンテーションのために強化する革新的なフレームワークである。 SACはトランスフォーマーの注意層にローランド適応(LoRA)を統合し、微調整プロセスを改善する。 コントリビューションには、新しいプロンプト生成戦略、多様なセグメンテーションタスクの自動適応性、セグメンテーション課題のための汎用フレームワークなどが含まれます。
  論文  参考訳（メタデータ） (2024-01-24T04:23:17Z)
• Unleashing the Power of Prompt-driven Nucleus Instance Segmentation [12.827503504028629]
  Segment Anything Model (SAM) は医療画像のセグメンテーションにおいて大きな注目を集めている。 本稿では, 自動核インスタンスセグメンテーションのための新規なプロンプト駆動型フレームワークについて述べる。 提案手法は,3つの試行錯誤ベンチマークに対して,最先端性能を新たに設定する。
  論文  参考訳（メタデータ） (2023-11-27T15:46:47Z)
• 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)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。