論文の概要: SAM-EG: Segment Anything Model with Egde Guidance framework for efficient Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2406.14819v1
• Date: Fri, 21 Jun 2024 01:42:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 15:02:37.071295
• Title: SAM-EG: Segment Anything Model with Egde Guidance framework for efficient Polyp Segmentation
• Title（参考訳）: SAM-EG: 効率的なポリプセグメンテーションのためのEgde Guidanceフレームワークを用いたセグメンテーションモデル
• Authors: Quoc-Huy Trinh, Hai-Dang Nguyen, Bao-Tram Nguyen Ngoc, Debesh Jha, Ulas Bagci, Minh-Triet Tran,
• Abstract要約: 本稿では,ポリプセグメンテーションのための小さなセグメンテーションモデルを用いて,コスト問題に対処するフレームワークを提案する。 本研究では,エッジ情報を画像特徴に組み込むEdge Guidingモジュールを提案する。 我々の小型モデルは、最先端の手法で競争結果を得ることで、その効果を実証する。
• 参考スコア（独自算出の注目度）: 6.709243857842895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polyp segmentation, a critical concern in medical imaging, has prompted numerous proposed methods aimed at enhancing the quality of segmented masks. While current state-of-the-art techniques produce impressive results, the size and computational cost of these models pose challenges for practical industry applications. Recently, the Segment Anything Model (SAM) has been proposed as a robust foundation model, showing promise for adaptation to medical image segmentation. Inspired by this concept, we propose SAM-EG, a framework that guides small segmentation models for polyp segmentation to address the computation cost challenge. Additionally, in this study, we introduce the Edge Guiding module, which integrates edge information into image features to assist the segmentation model in addressing boundary issues from current segmentation model in this task. Through extensive experiments, our small models showcase their efficacy by achieving competitive results with state-of-the-art methods, offering a promising approach to developing compact models with high accuracy for polyp segmentation and in the broader field of medical imaging.
• Abstract（参考訳）: 医用画像において重要な関心事であるポリープセグメンテーションは、セグメンテーションマスクの品質向上を目的とした多くの手法を提唱している。 現在の最先端技術は印象的な結果をもたらすが、これらのモデルのサイズと計算コストは、実用的な産業アプリケーションに課題をもたらす。 近年,Segment Anything Model (SAM) が堅牢な基盤モデルとして提案され,医用画像セグメンテーションへの適応が期待されている。 この概念にインスパイアされたSAM-EGは,計算コスト問題に対処するために,ポリプセグメンテーションのための小さなセグメンテーションモデルをガイドするフレームワークである。 さらに,本研究ではエッジ案内モジュールを導入し,エッジ情報を画像特徴に統合することで,現在のセグメンテーションモデルからの境界問題に対処するセグメンテーションモデルを支援する。 広汎な実験を通じて,本研究の小型モデルは,最先端の手法による競争結果の達成と,多点分割の精度の高いコンパクトなモデル開発への有望なアプローチを提供するとともに,医療画像の幅広い分野において,その有効性を示す。

関連論文リスト

• 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)
• Multi-scale Information Sharing and Selection Network with Boundary Attention for Polyp Segmentation [10.152504573356413]
  本稿では,多目的セグメンテーションタスクのためのマルチスケール情報共有選択ネットワーク(MISNet)を提案する。 5つのpolypセグメンテーションデータセットの実験により、MISNetはセグメンテーション結果の精度と明確性を改善した。
  論文  参考訳（メタデータ） (2024-05-18T02:48:39Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
  潜在拡散モデル(LDM)は、文脈内セグメンテーションに有効な最小限のモデルである。 画像とビデオの両方のデータセットを含む、新しい、公正なコンテキスト内セグメンテーションベンチマークを構築します。
  論文  参考訳（メタデータ） (2024-03-14T17:52:31Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Polyp Segmentation [52.06525450636897]
  大腸癌の早期診断と治療において, 自動ポリープセグメンテーションが重要な役割を担っている。 既存の手法は、完全に教師されたトレーニングに大きく依存しており、大量のラベル付きデータと時間を要するピクセル単位のアノテーションを必要とする。 大腸内視鏡画像からの半教師付きポリープ(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• KDAS: Knowledge Distillation via Attention Supervision Framework for Polyp Segmentation [6.148777307966648]
  KDASは,注意の監視を取り入れた知識蒸留フレームワークであり,提案した対称性誘導モジュールについて述べる。 このフレームワークは、より少ないパラメータでコンパクトな学生モデルを容易にし、教師モデルの強みを学習できるように設計されている。 当社のコンパクトモデルでは,最先端手法による競争結果の達成により,その強度を実証している。
  論文  参考訳（メタデータ） (2023-12-13T23:00:48Z)
• Segment Anything Model-guided Collaborative Learning Network for Scribble-supervised Polyp Segmentation [45.15517909664628]
  ポリープのセグメンテーションは、初期におけるポリープの正確な位置決定に重要な役割を担っている。 診断中の医師によるポリープ画像に対するピクセルワイドアノテーションは、時間と費用の両方がかかる。 本稿では,スクリブル制御ポリプセグメンテーションのためのSAM誘導協調学習ネットワーク(SAM-CLNet)を提案する。
  論文  参考訳（メタデータ） (2023-12-01T03:07:13Z)
• 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)
• 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)
• Deep Residual 3D U-Net for Joint Segmentation and Texture Classification of Nodules in Lung [91.3755431537592]
  肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。 提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
  論文  参考訳（メタデータ） (2020-06-25T07:20:41Z)

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。