論文の概要: Part-aware Personalized Segment Anything Model for Patient-Specific
Segmentation
- arxiv url: http://arxiv.org/abs/2403.05433v1
- Date: Fri, 8 Mar 2024 16:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 13:06:31.123060
- Title: Part-aware Personalized Segment Anything Model for Patient-Specific
Segmentation
- Title(参考訳): 患者特異的セグメンテーションのためのパーソナライズされたセグメンテーションモデル
- Authors: Chenhui Zhao and Liyue Shen
- Abstract要約: 医用画像を利用した患者適応治療などの精密医療は、画像分割アルゴリズムに新たな課題をもたらす。
我々はこれらの課題,すなわちP2SAM(Part-aware Personalized Segment Anything Model)に対処するデータ効率のセグメンテーション手法を提案する。
ワンショットデータのパートレベル特徴に基づいて複数ポイントプロンプトを選択する新しいパートアウェア・プロンプト機構を提案する。
- 参考スコア(独自算出の注目度): 5.797437925674252
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precision medicine, such as patient-adaptive treatments utilizing medical
images, poses new challenges for image segmentation algorithms due to (1) the
large variability across different patients and (2) the limited availability of
annotated data for each patient. In this work, we propose a data-efficient
segmentation method to address these challenges, namely Part-aware Personalized
Segment Anything Model (P^2SAM). Without any model fine-tuning, P^2SAM enables
seamless adaptation to any new patients relying only on one-shot
patient-specific data. We introduce a novel part-aware prompt mechanism to
select multiple-point prompts based on part-level features of the one-shot
data. To further promote the robustness of the selected prompt, we propose a
retrieval approach to handle outlier prompts. Extensive experiments demonstrate
that P^2SAM improves the performance by +8.0% and +2.0% mean Dice score within
two patient-specific segmentation settings, and exhibits impressive generality
across different application domains, e.g., +6.4% mIoU on the PerSeg benchmark.
Code will be released upon acceptance.
- Abstract(参考訳): 医用画像を利用した患者適応治療などの精密医療は,(1)患者間の大きなばらつき,(2)各患者に対する注釈付きデータの限定的利用により,画像分割アルゴリズムに新たな課題を提起する。
本研究では,これらの課題,すなわちP^2SAM(Part-aware Personalized Segment Anything Model)に対処するデータ効率のセグメンテーション手法を提案する。
モデルの微調整がなければ、p^2samはワンショットの患者固有のデータのみに依存する新しい患者に対してシームレスに適応できる。
ワンショットデータのパートレベル特徴に基づいて複数ポイントプロンプトを選択する新しいパートアウェアプロンプト機構を提案する。
選択したプロンプトのロバスト性をさらに向上させるため,外部プロンプトを扱う検索手法を提案する。
広範な実験により、p^2samは2つの患者固有のセグメンテーション設定で+8.0%と+2.0%の平均サイススコアを向上し、persegベンチマークで+6.4%miouのように、異なるアプリケーションドメインにまたがる印象的な汎用性を示している。
コードは受理時にリリースされる。
関連論文リスト
- The Relevance Feature and Vector Machine for health applications [0.11538034264098687]
本稿では,臨床研究における脂肪データ問題に対処する新しいモデルを提案する。
モデル機能は、太いデータ問題のあるいくつかの医療データセットの最先端モデルに対してテストされる。
論文 参考訳(メタデータ) (2024-02-11T01:21:56Z) - Self-Prompting Large Vision Models for Few-Shot Medical Image
Segmentation [14.135249795318591]
本稿では,医療ビジョン応用における自己プロンプトの新たな視点を提案する。
我々は、Segment Anything Modelの埋め込み空間を利用して、単純だが効果的な線形ピクセルワイド分類器を通して自身を誘導する。
複数のデータセットで競合する結果を得る。
論文 参考訳(メタデータ) (2023-08-15T08:20:07Z) - Self-Supervised and Semi-Supervised Polyp Segmentation using Synthetic
Data [16.356954231068077]
大腸ポリープの早期検出は、その治療および大腸癌予防において最も重要である。
コンピュータビジョン技術は、患者の大腸全体を調べるために手動で大腸手術を行う、診断段階の専門家を助ける可能性がある。
医用画像の最大の課題はデータの欠如であり、ポリプセグメンテーションアプローチに特有な課題は、手動でデータをラベル付けすることの難しさである。
本稿では, 実データと合成データを統合し, データセットのサイズを人工的に増加させ, ラベルなしサンプルが利用可能になった場合のトレーニングを支援する, ポリプセグメンテーションのエンドツーエンドモデルを提案する。
論文 参考訳(メタデータ) (2023-07-22T09:57:58Z) - One-Prompt to Segment All Medical Images [20.204320876549776]
本稿では「ワン・プロンプト」と呼ばれる普遍的な医用画像セグメンテーションに向けた新しいパラダイムを紹介する。
One-Promptは、ワンショットとインタラクティブなメソッドの長所を組み合わせたものだ。推論の段階では、textbfoneがトリガーしたサンプルと組み合わせることで、1回のフォワードパスで目に見えないタスクを正確に処理することができる。
14の未確認タスクでテストされたOne-Prompt Modelは、優れたゼロショットセグメンテーション能力を示し、幅広い関連手法より優れている。
論文 参考訳(メタデータ) (2023-05-17T15:37:47Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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) (2023-04-10T17:58:22Z) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2022-11-01T14:12:58Z) - Contrastive and Selective Hidden Embeddings for Medical Image
Segmentation [25.80192874762209]
医用画像セグメンテーションのための対照的な学習ベース重み事前トレーニングを提案する。
不確実性を考慮した特徴選択ブロック(UAFS)と呼ばれる新しい構造は、少数機能による学習目標シフトを処理するように設計されている。
6つのドメインから8つのパブリックデータセットにまたがって、最先端の結果が得られます。
論文 参考訳(メタデータ) (2022-01-21T16:52:19Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳(メタデータ) (2020-08-19T06:02:46Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z)
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。