論文の概要: PropSAM: A Propagation-Based Model for Segmenting Any 3D Objects in Multi-Modal Medical Images
- arxiv url: http://arxiv.org/abs/2408.13836v1
- Date: Sun, 25 Aug 2024 13:42:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 17:40:08.925511
- Title: PropSAM: A Propagation-Based Model for Segmenting Any 3D Objects in Multi-Modal Medical Images
- Title(参考訳): PropSAM: マルチモーダル医療画像中の任意の3Dオブジェクトをセグメント化するプロパゲーションベースモデル
- Authors: Zifan Chen, Xinyu Nan, Jiazheng Li, Jie Zhao, Haifeng Li, Zilin Lin, Haoshen Li, Heyun Chen, Yiting Liu, Bin Dong, Li Zhang, Lei Tang,
- Abstract要約: PropSAMは、3D医療構造情報の利用を最適化する伝搬に基づくセグメンテーションモデルである。
PropSAMは2ビュープロンプトを必要とする従来のモデルとは異なり、1ビュープロンプトで動作する。
44の医用画像データセットでDice similarity Coefficient(DSC)を大幅に改善した。
- 参考スコア(独自算出の注目度): 11.373941923130301
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Volumetric segmentation is crucial for medical imaging but is often constrained by labor-intensive manual annotations and the need for scenario-specific model training. Furthermore, existing general segmentation models are inefficient due to their design and inferential approaches. Addressing this clinical demand, we introduce PropSAM, a propagation-based segmentation model that optimizes the use of 3D medical structure information. PropSAM integrates a CNN-based UNet for intra-slice processing with a Transformer-based module for inter-slice propagation, focusing on structural and semantic continuities to enhance segmentation across various modalities. Distinctively, PropSAM operates on a one-view prompt, such as a 2D bounding box or sketch mask, unlike conventional models that require two-view prompts. It has demonstrated superior performance, significantly improving the Dice Similarity Coefficient (DSC) across 44 medical datasets and various imaging modalities, outperforming models like MedSAM and SegVol with an average DSC improvement of 18.1%. PropSAM also maintains stable predictions despite prompt deviations and varying propagation configurations, confirmed by one-way ANOVA tests with P>0.5985 and P>0.6131, respectively. Moreover, PropSAM's efficient architecture enables faster inference speeds (Wilcoxon rank-sum test, P<0.001) and reduces user interaction time by 37.8% compared to two-view prompt models. Its ability to handle irregular and complex objects with robust performance further demonstrates its potential in clinical settings, facilitating more automated and reliable medical imaging analyses with minimal retraining.
- Abstract(参考訳): ボリュームセグメンテーションは医療画像撮影には不可欠であるが、労働集約的なマニュアルアノテーションやシナリオ固有のモデルトレーニングの必要性によって制約されることが多い。
さらに、既存の一般的なセグメンテーションモデルは、設計と推論のアプローチのために非効率である。
本稿では,3次元医療構造情報の利用を最適化した伝搬型セグメンテーションモデルであるPropSAMを紹介する。
PropSAMは、スライス内処理のためのCNNベースのUNetと、スライス間伝播のためのTransformerベースのモジュールを統合する。
PropSAMは、2次元のプロンプトを必要とする従来のモデルとは異なり、2次元のバウンディングボックスやスケッチマスクのようなワンビュープロンプトで動作する。
優れた性能を示し、44の医療データセットと様々な画像モダリティでDice similarity Coefficient (DSC) を大幅に改善し、平均18.1%のDSC改善でMedSAMやSegVolのようなモデルよりも優れた性能を示した。
PropSAMは、P>0.5985とP>0.6131の一方のANOVA試験により、急激な偏差と様々な伝播構成にもかかわらず安定な予測も維持している。
さらに、PropSAMの効率的なアーキテクチャは、より高速な推論速度(Wilcoxon rank-sum test, P<0.001)を可能にし、2ビュープロンプトモデルと比較してユーザインタラクション時間を37.8%削減する。
不規則で複雑な物体を頑健な性能で処理する能力は、さらに臨床環境での可能性を示し、より自動化され信頼性の高い医療画像解析を最小限のリトレーニングで促進する。
関連論文リスト
- SAM-Med3D-MoE: Towards a Non-Forgetting Segment Anything Model via Mixture of Experts for 3D Medical Image Segmentation [36.95030121663565]
Supervised Finetuning (SFT) は、タスク固有の下流タスクに基礎モデルを適用する効果的な方法として機能する。
本稿では,タスク固有の微調整モデルと基礎モデルとをシームレスに統合する新しいフレームワークSAM-Med3D-MoEを提案する。
実験では, SAM-Med3D-MoEの有効性を実証し, 平均Dice性能は15種類のクラスで53から56.4に向上した。
論文 参考訳(メタデータ) (2024-07-06T03:03:45Z) - 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) - Concatenate, Fine-tuning, Re-training: A SAM-enabled Framework for Semi-supervised 3D Medical Image Segmentation [40.79197318484472]
本稿では,3段階のフレームワーク,すなわちコンカニケート,ファインチューニング,リトレーニングを提案する。
我々のCFRフレームワークはプラグイン・アンド・プレイであり、様々な人気のある半教師付き手法と容易に互換性がある。
特に、CFRフレームワークでは、平均教師のDiceスコアを29.68%から74.40%に改善している。
論文 参考訳(メタデータ) (2024-03-17T14:30:56Z) - Enhancing the Reliability of Segment Anything Model for Auto-Prompting Medical Image Segmentation with Uncertainty Rectification [19.190346406238444]
本稿では,医用画像の自動セグメント化の信頼性を高めるため,不確かさを補正したSAMフレームワークUR-SAMを提案する。
提案手法では,不確実性評価のためのSAMの一連のインプットプロンプトを得るためのプロンプト拡張モジュールと,推定不確実性の分布をさらに活用してセグメンテーション性能を向上させるための不確実性修正モジュールを組み込んだ。
論文 参考訳(メタデータ) (2023-11-17T13:49:00Z) - 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) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Self-Sampling Meta SAM: Enhancing Few-shot Medical Image Segmentation
with Meta-Learning [17.386754270460273]
数ショットの医用画像分割のための自己サンプリングメタSAMフレームワークを提案する。
提案手法は,数発のセグメンテーションにおいて最先端の手法よりも大幅に向上する。
そこで本研究では,対話型画像分割における高速なオンライン適応手法を提案する。
論文 参考訳(メタデータ) (2023-08-31T05:20:48Z) - 3DSAM-adapter: Holistic Adaptation of SAM from 2D to 3D for Promptable
Medical Image Segmentation [56.50064853710202]
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) - 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) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z)
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。