論文の概要: Polyp SAM 2: Advancing Zero shot Polyp Segmentation in Colorectal Cancer Detection

• arxiv url: http://arxiv.org/abs/2408.05892v4
• Date: Sat, 7 Sep 2024 23:28:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 01:15:13.446041
• Title: Polyp SAM 2: Advancing Zero shot Polyp Segmentation in Colorectal Cancer Detection
• Title（参考訳）: Polyp SAM 2: 大腸癌検出におけるゼロショットポリープセグメンテーションの促進
• Authors: Mobina Mansoori, Sajjad Shahabodini, Jamshid Abouei, Konstantinos N. Plataniotis, Arash Mohammadi,
• Abstract要約: ポリープ分画は大腸癌の早期発見と診断において重要な役割を担っている。 最近、Meta AI Researchは、いくつかのセグメンテーションタスクで有望なパフォーマンスを示す一般的なセグメンテーションモデル2(SAM2)をリリースした。 そこで本論文では,各種刺激条件下でのセグメンテーションポリプにおけるSAM2の性能評価を行った。
• 参考スコア（独自算出の注目度）: 18.61909523131399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polyp segmentation plays a crucial role in the early detection and diagnosis of colorectal cancer. However, obtaining accurate segmentations often requires labor-intensive annotations and specialized models. Recently, Meta AI Research released a general Segment Anything Model 2 (SAM 2), which has demonstrated promising performance in several segmentation tasks. In this manuscript, we evaluate the performance of SAM 2 in segmenting polyps under various prompted settings. We hope this report will provide insights to advance the field of polyp segmentation and promote more interesting work in the future. This project is publicly available at https://github.com/ sajjad-sh33/Polyp-SAM-2.
• Abstract（参考訳）: ポリープ分画は大腸癌の早期発見と診断において重要な役割を担っている。 しかし、正確なセグメンテーションを得るには、しばしば労働集約的なアノテーションと専門的なモデルが必要である。 最近、Meta AI Researchは、いくつかのセグメンテーションタスクで有望なパフォーマンスを示す一般的なセグメンテーションモデル2(SAM2)をリリースした。 そこで本論文では,各種刺激条件下でのセグメンテーションポリプにおけるSAM2の性能評価を行った。 このレポートは,ポリプセグメンテーションの分野を前進させ,将来より興味深い研究を促進するための洞察を提供することを期待している。 このプロジェクトはhttps://github.com/sajjad-sh33/Polyp-SAM-2で公開されている。

関連論文リスト

• Self-Prompting Polyp Segmentation in Colonoscopy using Hybrid Yolo-SAM 2 Model [18.61909523131399]
  本稿では,Segment Anything Model(SAM2)とYOLOv8モデルを統合することで,ポリプセグメンテーションの新たなアプローチを提案する。 本手法では,YOLOv8のバウンディングボックス予測を利用してSAM 2の入力プロンプトを自動生成することで,手動アノテーションの必要性を軽減している。 われわれは,5つのベンチマーク大腸内視鏡画像データセットと2つの大腸内視鏡ビデオデータセットの徹底的な試験を行い,この手法が画像分割タスクおよびビデオ分割タスクの最先端モデルを上回ることを示した。
  論文  参考訳（メタデータ） (2024-09-14T17:11:37Z)
• SAM2-UNet: Segment Anything 2 Makes Strong Encoder for Natural and Medical Image Segmentation [51.90445260276897]
  我々は,Segment Anything Model 2 (SAM2) がU字型セグメンテーションモデルの強力なエンコーダであることを証明した。 本稿では, SAM2-UNet と呼ばれる, 汎用画像分割のための簡易かつ効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-16T17:55:38Z)
• 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)
• Polyp-SAM++: Can A Text Guided SAM Perform Better for Polyp Segmentation? [0.0]
  テキストプロンプト支援SAMであるPolyp-SAM++は、堅牢でより正確なPolypセグメンテーションのために、テキストプロンプトを使用してSAMをより有効に利用できる。 我々は、ベンチマークデータセット上でのポリプセグメンテーションタスクにおいて、テキスト誘導SAMの性能を評価する。
  論文  参考訳（メタデータ） (2023-08-12T17:45:39Z)
• Polyp-SAM: Transfer SAM for Polyp Segmentation [2.4492242722754107]
  Segment Anything Model (SAM)は、最近、自然画像のセグメンテーションと医療画像のセグメンテーションに大きな注目を集めている。 ポリプセグメンテーションのための微調整SAMモデルであるPoly-SAMを提案し、その性能をいくつかの最先端のポリプセグメンテーションモデルと比較する。 我々のPolyp-SAMは、2つのデータセットで最先端のパフォーマンスを実現し、3つのデータセットで印象的なパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2023-04-29T16:11:06Z)
• Can SAM Segment Polyps? [43.259797663208865]
  最近、Meta AI Researchは、いくつかのセグメンテーションタスクで有望なパフォーマンスを示すSAM(General Segment Anything Model)をリリースした。 本稿では,SAMのセグメンテーション・ポリープにおける性能について検討する。
  論文  参考訳（メタデータ） (2023-04-15T15:41:10Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
  臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。 既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。 大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T07:54:07Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。