論文の概要: SAM Fewshot Finetuning for Anatomical Segmentation in Medical Images

• arxiv url: http://arxiv.org/abs/2407.04651v1
• Date: Fri, 5 Jul 2024 17:07:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 12:41:40.788458
• Title: SAM Fewshot Finetuning for Anatomical Segmentation in Medical Images
• Title（参考訳）: 医用画像における解剖学的部分切除のためのSAM Fewshot Finetuning
• Authors: Weiyi Xie, Nathalie Willems, Shubham Patil, Yang Li, Mayank Kumar,
• Abstract要約: 医用画像の解剖学的セグメンテーションタスクにSAM(Seegment Anything)を適用するための戦略を提案する。 画像埋め込みで取得した解剖学的クエリーオブジェクトのプロンプトとして,ラベル付き画像の限られたセットから得られる少数ショット埋め込みを利用する。 本手法は,キャッシング機構を用いてマスクデコーダのみをトレーニングすることにより,微調整プロセスの効率化を優先する。
• 参考スコア（独自算出の注目度）: 3.2099042811875833
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a straightforward yet highly effective few-shot fine-tuning strategy for adapting the Segment Anything (SAM) to anatomical segmentation tasks in medical images. Our novel approach revolves around reformulating the mask decoder within SAM, leveraging few-shot embeddings derived from a limited set of labeled images (few-shot collection) as prompts for querying anatomical objects captured in image embeddings. This innovative reformulation greatly reduces the need for time-consuming online user interactions for labeling volumetric images, such as exhaustively marking points and bounding boxes to provide prompts slice by slice. With our method, users can manually segment a few 2D slices offline, and the embeddings of these annotated image regions serve as effective prompts for online segmentation tasks. Our method prioritizes the efficiency of the fine-tuning process by exclusively training the mask decoder through caching mechanisms while keeping the image encoder frozen. Importantly, this approach is not limited to volumetric medical images, but can generically be applied to any 2D/3D segmentation task. To thoroughly evaluate our method, we conducted extensive validation on four datasets, covering six anatomical segmentation tasks across two modalities. Furthermore, we conducted a comparative analysis of different prompting options within SAM and the fully-supervised nnU-Net. The results demonstrate the superior performance of our method compared to SAM employing only point prompts (approximately 50% improvement in IoU) and performs on-par with fully supervised methods whilst reducing the requirement of labeled data by at least an order of magnitude.
• Abstract（参考訳）: 医用画像の解剖学的セグメンテーションタスクにSAM(Seegment Anything)を適用するための、単純かつ高効率な数ショット微調整戦略を提案する。 我々の新しいアプローチはSAM内のマスクデコーダをリフォームし、ラベル付き画像の限られたセット(フェーショットコレクション)から得られる少数の埋め込みを、画像埋め込みでキャプチャーされた解剖学的オブジェクトのクエリーのプロンプトとして活用する。 この革新的な改革により、スライスによるプロンプトスライスを提供するために、抜本的なマーキングポイントやバウンディングボックスなどのボリューム画像のラベル付けに時間を要するオンラインユーザインタラクションが大幅に削減される。 提案手法では,ユーザが手動で2Dスライスをオフラインで分割することができ,アノテーション付き画像領域の埋め込みがオンラインセグメンテーションタスクの効果的なプロンプトとなる。 本手法は,画像エンコーダの凍結を保ちながら,キャッシング機構を通じてマスクデコーダのみを訓練することにより,微調整プロセスの効率を優先する。 重要なことは、このアプローチはボリューム医療画像に限らず、汎用的に任意の2D/3Dセグメンテーションタスクに適用できるということだ。 本手法を徹底的に評価するために,2つのモードにわたる6つの解剖学的セグメンテーションタスクを網羅した4つのデータセットに対する広範囲な検証を行った。 さらに、SAMと完全教師付きnnU-Net内の異なるプロンプトオプションの比較分析を行った。 以上の結果から,IoUを50%向上させる点数のみを用いたSAMに比べて,本手法の優れた性能を示すとともに,ラベル付きデータの要求を少なくとも1桁の精度で低減しつつ,完全教師付き手法でオンパーを行うことができた。

関連論文リスト

• SAM-MPA: Applying SAM to Few-shot Medical Image Segmentation using Mask Propagation and Auto-prompting [6.739803086387235]
  医用画像のセグメンテーションは、しばしば高額なアノテーションコストの課題に直面している。 本稿では,10億枚以上のマスクで事前学習したセグメンション・アプライシング・モデル(SAM)を活用することを提案する。 SAM-MPA は,医療画像の断片化のためのイノベーティブな SAM ベースのフレームワークである。
  論文  参考訳（メタデータ） (2024-11-26T12:12:12Z)
• Adaptive Prompt Learning with SAM for Few-shot Scanning Probe Microscope Image Segmentation [11.882111844381098]
  Segment Anything Model (SAM) は自然シーン画像のイメージセグメンテーションにおいて強い性能を示した。 SAMの有効性は、SPM(Scanning Probe Microscope)画像のような特定の科学的領域に適用すると著しく低下する。 本稿では,数ショットのSPM画像セグメンテーションに適したSAMフレームワークを用いたAdaptive Prompt Learningを提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:38:01Z)
• RevSAM2: Prompt SAM2 for Medical Image Segmentation via Reverse-Propagation without Fine-tuning [4.590933790796203]
  本稿では,医療画像セグメンテーションのための簡易かつ効果的な自己補正フレームワークであるRevSAM2を紹介する。 RevSAM2は、微調整を必要とせず、目に見えない3D画像分割タスクにおいて優れた性能を発揮する。 我々は,ラベル効率の良い医用画像セグメンテーションにおけるSAM2の可能性について,微調整なしで初めて検討した。
  論文  参考訳（メタデータ） (2024-09-06T14:17:09Z)
• CycleSAM: One-Shot Surgical Scene Segmentation using Cycle-Consistent Feature Matching to Prompt SAM [2.9500242602590565]
  CycleSAMは、テスト時にトレーニングイメージマスクペアを使用してワンショットの手術シーンセグメンテーションを行うアプローチである。 手術画像に事前訓練されたResNet50エンコーダを自己教師方式で採用し,高いラベル効率を維持する。
  論文  参考訳（メタデータ） (2024-07-09T12:08:07Z)
• 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)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
  提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。 トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-28T00:43:52Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)

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。