Fugu-MT 論文翻訳(概要): PropSAM: A Propagation-Based Model for Segmenting Any 3D Objects in Multi-Modal Medical Images

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

Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-09-19T07:28:33Z)
Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
論文参考訳（メタデータ） (2024-05-30T03:15:09Z)
SAM3D: Zero-Shot Semi-Automatic Segmentation in 3D Medical Images with the Segment Anything Model [3.2554912675000818]
SAM3Dは,既存のセグメンテーションモデル上に構築された3次元画像の半自動ゼロショットセグメンテーションのための新しいアプローチである。ユーザが3Dポリラインでプロンプトし、複数の軸に沿ってボリュームスライスし、事前訓練されたモデルでスライスワイド推論を行い、3Dで再構成と洗練を行う4段階の戦略で、3D画像の高速かつ正確なセグメンテーションを実現する。
論文参考訳（メタデータ） (2024-05-10T19:26:17Z)
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)
Promise:Prompt-driven 3D Medical Image Segmentation Using Pretrained Image Foundation Models [13.08275555017179]
単点プロンプトのみを用いたプロンプト駆動型3次元医用画像分割モデルProMISeを提案する。今回,大腸癌と膵腫瘍の2つの領域に分布する2つのパブリックデータセットについて検討した。
論文参考訳（メタデータ） (2023-10-30T16:49:03Z)
SAM-Med3D: Towards General-purpose Segmentation Models for Volumetric Medical Images [35.83393121891959]
ボリューム医療画像の汎用セグメンテーションのためのSAM-Med3Dを提案する。 SAM-Med3Dは様々な解剖学的構造と病変を正確に分類することができる。提案手法は,医療資源を多用した汎用医療AIの開発に活用できることを実証するものである。
論文参考訳（メタデータ） (2023-10-23T17:57:36Z)
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)
SAM3D: Segment Anything Model in Volumetric Medical Images [11.764867415789901]
本稿では,3次元ボリューム画像解析に適した革新的適応であるSAM3Dを紹介する。我々のSAM3Dモデルは、ボリュームを個別に2次元スライスに変換することでボリュームデータを分割する現在のSAMベース手法とは異なり、統一的なアプローチで全3次元ボリューム画像を処理する。
論文参考訳（メタデータ） (2023-09-07T06:05:28Z)
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 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)
MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文参考訳（メタデータ） (2023-01-19T03:42:36Z)

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。