論文の概要: Part-aware Prompted Segment Anything Model for Adaptive Segmentation

• arxiv url: http://arxiv.org/abs/2403.05433v2
• Date: Sun, 25 May 2025 20:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:41.328567
• Title: Part-aware Prompted Segment Anything Model for Adaptive Segmentation
• Title（参考訳）: アダプティブセグメンテーションのための部分認識プロンプトセグメンテーションモデル
• Authors: Chenhui Zhao, Liyue Shen,
• Abstract要約: 我々は、データ効率のセグメンテーションアルゴリズム、すなわち、パートアウェアのPrompted Segment Anything Model(P2SAM$)を提案する。 ワンショットデータのパートレベル特徴に基づいて複数ポイントプロンプトを選択するための新しいパートアウェアプロンプト機構を提案する。 P2SAM$は、2つの異なる患者適応セグメンテーションアプリケーションのDiceスコアを+8.0%、+2.0%で改善する。
• 参考スコア（独自算出の注目度）: 4.907395697173755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precision medicine, such as patient-adaptive treatments assisted by medical image analysis, poses new challenges for segmentation algorithms in adapting to new patients, due to the large variability across different patients and the limited availability of annotated data for each patient. In this work, we propose a data-efficient segmentation algorithm, namely Part-aware Prompted 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 the part-level features of the one-shot data, which can be extensively integrated into different promptable segmentation models, such as SAM and SAM 2. Moreover, to determine the optimal number of parts for each specific case, we propose a distribution-guided retrieval approach that further enhances the robustness of the part-aware prompt mechanism. $P^2SAM$ improves the performance by +8.0% and +2.0% mean Dice score for two different patient-adaptive segmentation applications, respectively. In addition, $P^2SAM$ also exhibits impressive generalizability in other adaptive segmentation tasks in the natural image domain, e.g., +6.4% mIoU within personalized object segmentation task. The code is available at: https://github.com/Zch0414/p2sam
• Abstract（参考訳）: 医用画像解析を補助する患者適応治療などの精密医療は、患者間の大きなばらつきと各患者に対する注釈付きデータの限られた可用性のために、新しい患者に適応するためのセグメンテーションアルゴリズムに新たな課題を提起する。 本研究では,データ効率の高いセグメンテーションアルゴリズム(Part-aware Prompted Segment Anything Model)(P^2SAM$)を提案する。 モデル微調整がなければ、$P^2SAM$はワンショットの患者固有のデータにのみ依存する新規患者に対してシームレスな適応を可能にする。 SAM や SAM 2 など,異なるプロンプト可能なセグメンテーションモデルに広範囲に組み込むことが可能な,ワンショットデータのパートレベル特徴に基づいて,複数ポイントプロンプトを選択するための新しいパートアウェア・プロンプト機構を提案する。 さらに,各ケースに対して最適な部品数を決定するために,分散誘導型検索手法を提案し,パートアウェア・プロンプト機構の堅牢性をさらに向上させる。 P^2SAM$は、それぞれ2つの異なる患者適応セグメンテーションアプリケーションに対するDiceスコアを+8.0%、+2.0%で改善する。 さらに、$P^2SAM$は、パーソナライズされたオブジェクトセグメンテーションタスクの中で、自然画像領域内の他の適応セグメンテーションタスク(例えば、+6.4% mIoU)に印象的な一般化性を示す。 コードは、https://github.com/Zch0414/p2samで入手できる。

関連論文リスト

• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Retrieval-augmented Few-shot Medical Image Segmentation with Foundation Models [17.461510586128874]
  本稿では,DINOv2 と Segment Anything Model 2 を併用して,画像の検索を行う手法を提案する。 我々のアプローチでは、DINOv2の機能をクエリとして使用し、制限付きアノテートデータから類似したサンプルを検索し、それをメモリバンクにエンコードする。
  論文  参考訳（メタデータ） (2024-08-16T15:48:07Z)
• Cross Prompting Consistency with Segment Anything Model for Semi-supervised Medical Image Segmentation [44.54301473673582]
  半教師付き学習(SSL)は,医用画像のセグメンテーションにおいて顕著な進歩を遂げている。 SAM(Segment Anything Model)のような視覚基盤モデルの最近の発展は、顕著な適応性を示している。 半教師型医用画像分割のためのセグメンテーションモデル(CPC-SAM)を用いたクロスプロンプト整合性手法を提案する。
  論文  参考訳（メタデータ） (2024-07-07T15:43:20Z)
• 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)
• 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)
• nnSAM: Plug-and-play Segment Anything Model Improves nnUNet Performance [12.169801149021566]
  Segment Anything Model (SAM)は、特定のドメイントレーニングなしで画像セグメンテーションのための汎用ツールとして登場した。 nnUNetのような従来のモデルは推論中に自動セグメンテーションを実行するが、広範なドメイン固有のトレーニングが必要である。 提案するnnSAMは,SAMの頑健な特徴抽出とnnUNetの自動構成を統合し,小さなデータセットのセグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2023-09-29T04:26:25Z)
• 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)
• 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)
• 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)
• 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。