論文の概要: Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2409.12522v1
- Date: Thu, 19 Sep 2024 07:28:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 14:30:28.553408
- Title: Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation
- Title（参考訳）: 一般化可能な医用画像分割のためのドメイン適応型プロトタイプを用いたプロンプトセグメントモデル
- Authors: Zhikai Wei, Wenhui Dong, Peilin Zhou, Yuliang Gu, Zhou Zhao, Yongchao Xu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 49.5901368256326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning based methods often suffer from performance degradation caused by domain shift. In recent years, many sophisticated network structures have been designed to tackle this problem. However, the advent of large model trained on massive data, with its exceptional segmentation capability, introduces a new perspective for solving medical segmentation problems. In this paper, we propose a novel Domain-Adaptive Prompt framework for fine-tuning the Segment Anything Model (termed as DAPSAM) to address single-source domain generalization (SDG) in segmenting medical images. DAPSAM not only utilizes a more generalization-friendly adapter to fine-tune the large model, but also introduces a self-learning prototype-based prompt generator to enhance model's generalization ability. Specifically, we first merge the important low-level features into intermediate features before feeding to each adapter, followed by an attention filter to remove redundant information. This yields more robust image embeddings. Then, we propose using a learnable memory bank to construct domain-adaptive prototypes for prompt generation, helping to achieve generalizable medical image segmentation. Extensive experimental results demonstrate that our DAPSAM achieves state-of-the-art performance on two SDG medical image segmentation tasks with different modalities. The code is available at https://github.com/wkklavis/DAPSAM.
- Abstract（参考訳）: ディープラーニングベースの手法は、ドメインシフトによって生じるパフォーマンス劣化に悩まされることが多い。
近年,多くの高度なネットワーク構造がこの問題に対処するために設計されている。
しかし、その例外的なセグメンテーション能力を備えた大規模データを用いた大規模モデルの出現は、医療セグメンテーション問題を解決するための新たな視点を導入している。
本稿では,医療画像のセグメント化における単一ソース領域一般化(SDG)に対処するため,Segment Anything Model(DAPSAM)を微調整する新しいDomain-Adaptive Promptフレームワークを提案する。
DAPSAMは、より一般化しやすいアダプタを使用して大きなモデルを微調整するだけでなく、モデルの一般化能力を高めるための自己学習プロトタイプベースのプロンプトジェネレータも導入している。
具体的には、まず、各アダプタに入力する前に、重要な低レベル機能を中間機能にマージし、次に、冗長な情報を除去するアテンションフィルタを用いる。
これにより、より堅牢な画像埋め込みが得られる。
そこで本研究では,学習可能なメモリバンクを用いてドメイン適応型プロトタイプの構築を行い,汎用的な医用画像セグメント化を実現する。
DAPSAMは2つのSDG医用画像分割タスクにおいて,異なるモダリティで最先端の性能を達成できることを実証した。
コードはhttps://github.com/wkklavis/DAPSAMで公開されている。
関連論文リスト
- Anti-Forgetting Adaptation for Unsupervised Person Re-identification [87.0061997256388]
デュアルレベル・ジョイント・アダプテーションとアンチフォゲッティング・フレームワークを提案する。
ソースドメインと各適用対象ドメインを忘れることなく、モデルを新しいドメインに漸進的に適応させる。
提案手法は、教師なしのReIDモデルのアンチフォッゲッティング、一般化、後方互換性能力を大幅に改善する。
論文 参考訳（メタデータ） (2024-11-22T03:05:06Z) - 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) - 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) - DG-TTA: Out-of-domain medical image segmentation through Domain Generalization and Test-Time Adaptation [43.842694540544194]
本稿では、ドメインの一般化とテスト時間適応を組み合わせることで、未確認対象領域で事前学習したモデルを再利用するための非常に効果的なアプローチを提案する。
本手法は,事前訓練した全身CTモデルと組み合わせることで,MR画像を高精度に分割できることを実証する。
論文 参考訳（メタデータ） (2023-12-11T10:26:21Z) - Frequency-mixed Single-source Domain Generalization for Medical Image
Segmentation [29.566769388674473]
医用画像セグメンテーションの欠如は、ディープラーニングモデルのための十分なトレーニングデータを集める上での課題となっている。
周波数混合単一ソース領域一般化法(FreeSDG)という新しい手法を提案する。
3つのモードの5つのデータセットに対する実験結果から,提案アルゴリズムの有効性が示された。
論文 参考訳（メタデータ） (2023-07-18T06:44:45Z) - Learning with Explicit Shape Priors for Medical Image Segmentation [17.110893665132423]
UNetモデルにおけるセグメント化性能を向上させるために,新しい形状先行モジュール(SPM)を提案する。
明示的な形状の先行は、大域的および局所的な形状の先行から成っている。
提案手法は最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-03-31T11:12:35Z) - 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) - Generalizable Medical Image Segmentation via Random Amplitude Mixup and
Domain-Specific Image Restoration [17.507951655445652]
本稿では,新しい医用画像分割法を提案する。
具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。
医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
論文 参考訳（メタデータ） (2022-08-08T03:56:20Z) - Contrastive Domain Disentanglement for Generalizable Medical Image
Segmentation [12.863227646939563]
本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。
まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。
次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
論文 参考訳（メタデータ） (2022-05-13T10:32:41Z) - AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。
本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。
AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文 参考訳（メタデータ） (2022-02-18T10:14:45Z)
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。