論文の概要: ProMISe: Promptable Medical Image Segmentation using SAM

• arxiv url: http://arxiv.org/abs/2403.04164v3
• Date: Sat, 28 Sep 2024 12:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:01:21.916361
• Title: ProMISe: Promptable Medical Image Segmentation using SAM
• Title（参考訳）: ProMISe:SAMを用いた医用画像のプロンプト
• Authors: Jinfeng Wang, Sifan Song, Xinkun Wang, Yiyi Wang, Yiyi Miao, Jionglong Su, S. Kevin Zhou,
• Abstract要約: ターゲット領域にユークリッド適応プロンプトを付加したSAMベースの基盤モデルを提供する自動プロンプトモジュール(APM)を提案する。 また、SAMを特定の医療領域に適応させるために、Incrmental Pattern Shifting (IPS) と呼ばれる新しい非侵襲的手法を提案する。 これら2つの手法を結合することにより,プロンプタブル・メディカルイメージのためのエンドツーエンドな非微調整フレームワークであるProMISeを提案する。
• 参考スコア（独自算出の注目度）: 11.710367186709432
• License:
• Abstract: With the proposal of the Segment Anything Model (SAM), fine-tuning SAM for medical image segmentation (MIS) has become popular. However, due to the large size of the SAM model and the significant domain gap between natural and medical images, fine-tuning-based strategies are costly with potential risk of instability, feature damage and catastrophic forgetting. Furthermore, some methods of transferring SAM to a domain-specific MIS through fine-tuning strategies disable the model's prompting capability, severely limiting its utilization scenarios. In this paper, we propose an Auto-Prompting Module (APM), which provides SAM-based foundation model with Euclidean adaptive prompts in the target domain. Our experiments demonstrate that such adaptive prompts significantly improve SAM's non-fine-tuned performance in MIS. In addition, we propose a novel non-invasive method called Incremental Pattern Shifting (IPS) to adapt SAM to specific medical domains. Experimental results show that the IPS enables SAM to achieve state-of-the-art or competitive performance in MIS without the need for fine-tuning. By coupling these two methods, we propose ProMISe, an end-to-end non-fine-tuned framework for Promptable Medical Image Segmentation. Our experiments demonstrate that both using our methods individually or in combination achieves satisfactory performance in low-cost pattern shifting, with all of SAM's parameters frozen.
• Abstract（参考訳）: SAM (Segment Anything Model) の提案により,医療画像分割のための細調整SAM (MIS) が普及している。 しかし,SAMモデルのサイズが大きく,自然画像と医用画像の間に大きな領域ギャップがあるため,微調整ベースの戦略は不安定性,特徴的損傷,破滅的忘れのリスクを伴い,コストがかかる。 さらに、微調整戦略によってSAMをドメイン固有のMISに転送するいくつかの方法は、モデルのプロンプト機能を無効にし、その利用シナリオを著しく制限する。 本稿では,ターゲット領域のユークリッド適応プロンプトをSAMベースとした基礎モデルを提供する自動プロンプトモジュール(APM)を提案する。 実験により,MISにおけるSAMの非微調整性能が著しく向上することが確認された。 また,インクリメンタル・パターン・シフト(IPS)と呼ばれる新しい非侵襲的手法を提案し,SAMを特定の医療領域に適応させる。 実験結果から、SAMは微調整を必要とせず、MISの最先端または競争性能を実現することができることがわかった。 これら2つの手法を結合することにより,ProMISe(Promptable Medical Image Segmentation)のエンドツーエンドな非微調整フレームワークを提案する。 本実験は,提案手法を個別に,あるいは組み合わせて使用することにより,SAMのパラメータを凍結した低コストパターンシフトにおいて良好な性能が得られることを示す。

関連論文リスト

• Promptable Anomaly Segmentation with SAM Through Self-Perception Tuning [63.55145330447408]
  Segment Anything Model (SAM) は、その顕著な一般化能力により、異常セグメンテーションタスクにおいて大きな進歩を遂げている。 SAMを直接適用する既存のメソッドは、しばしばドメインシフトの問題を見落としている。 本稿では, SAMの異常セグメンテーションに対する知覚能力を高めることを目的とした, 自己パーセプティノンチューニング(SPT)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T08:33:25Z)
• Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
  医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。 我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。 医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
  論文  参考訳（メタデータ） (2024-06-03T03:16:25Z)
• Segment Any Medical Model Extended [39.80956010574076]
  我々は,新しいSAMモデルを統合し,より高速な通信プロトコルを採用し,新しいインタラクティブモードに対応し,モデルのサブコンポーネントの微調整を可能にするプラットフォームであるSAMM Extended (SAMME)を紹介した。 これらの機能はSAMのような基礎モデルの可能性を拡大し、画像誘導療法、複合現実インタラクション、ロボットナビゲーション、データ拡張などのアプリケーションに変換することができる。
  論文  参考訳（メタデータ） (2024-03-26T21:37:25Z)
• Uncertainty-Aware Adapter: Adapting Segment Anything Model (SAM) for Ambiguous Medical Image Segmentation [20.557472889654758]
  Segment Anything Model (SAM) は自然画像のセグメンテーションにおいて大きな成功を収めた。 自然画像とは異なり、医療画像の多くの組織や病変はぼやけており、曖昧である可能性がある。 本研究では,不確実性を認識した医療画像のセグメンテーションのためにSAMを効率よく微調整するUncertainty-aware Adapterという新しいモジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-16T14:11:54Z)
• Stable Segment Anything Model [79.9005670886038]
  SAM(Segment Anything Model)は、高品質なプロンプトが与えられた場合、顕著に迅速なセグメンテーションを実現する。 本稿では,SAMのセグメンテーション安定性について,多様なプロンプト特性のスペクトルにわたって包括的解析を行った。 1)SAMのセグメンテーション安定性を広範囲に改善し,2)SAMの強力なセグメンテーション効率と一般化を維持した。
  論文  参考訳（メタデータ） (2023-11-27T12:51:42Z)
• SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage Segmentation [18.867207134086193]
  脳梗塞診断と手術計画において,頭蓋内出血分節は重要かつ困難なステップである。 そこで我々は,脳内出血セグメンテーションのためのSAM-based parameter- efficient fine-tuning法(SAMIHS)を提案する。 2つの公開データセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T14:23:09Z)
• Cheap Lunch for Medical Image Segmentation by Fine-tuning SAM on Few Exemplars [19.725817146049707]
  Segment Anything Model (SAM) はスケールアップセグメンテーションモデルの顕著な機能を示した。 しかし, 医療領域における基礎モデルの導入は, 十分なデータのラベル付けが困難で費用がかかるため, 課題となっている。 本稿では,限られた数の例を用いてSAMを微調整するための効率的かつ実用的な手法を提案する。
  論文  参考訳（メタデータ） (2023-08-27T15:21:25Z)
• 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)
• AdaptiveSAM: Towards Efficient Tuning of SAM for Surgical Scene Segmentation [49.59991322513561]
  本稿では,新しいデータセットに迅速かつ効率的に適応できるSegment-Anything(SAM)の適応的な修正を提案する。 AdaptiveSAMは、フリーフォームテキストをプロンプトとして使用し、ラベル名のみをプロンプトとして、興味のあるオブジェクトをセグメント化することができる。 実験の結果,AdaptiveSAMは様々な医用画像データセットの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-07T17:12:54Z)
• Temporally-Extended Prompts Optimization for SAM in Interactive Medical Image Segmentation [22.242652304004068]
  Anything Model (SAM) は画像セグメンテーションに対処するための基礎モデルとして登場した。 本稿では,対話型医用画像セグメンテーション(IMIS)パラダイムにおけるSAMのゼロショット機能の可能性を評価することに焦点を当てる。 我々は、人間の専門家に適切なプロンプトフォームを提供するフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-06-15T08:51:24Z)
• 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)

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。