論文の概要: CoSAM: Self-Correcting SAM for Domain Generalization in 2D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2411.10136v1
• Date: Fri, 15 Nov 2024 12:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:38:13.591217
• Title: CoSAM: Self-Correcting SAM for Domain Generalization in 2D Medical Image Segmentation
• Title（参考訳）: CoSAM:2次元医用画像分割における領域一般化のための自己補正SAM
• Authors: Yihang Fu, Ziyang Chen, Yiwen Ye, Xingliang Lei, Zhisong Wang, Yong Xia,
• Abstract要約: 自己補正SAM(CoSAM)と呼ばれる2次元医用画像分割法を提案する。 提案手法は,SAMを用いて粗いマスクをプロンプトフリーで生成することから始まり,その後の段階の事前プロンプトを提供する。 修正マスクに基づくフィードバックとして多様なプロンプトを生成し、予測を反復的に洗練する。
• 参考スコア（独自算出の注目度）: 11.567414253208991
• License:
• Abstract: Medical images often exhibit distribution shifts due to variations in imaging protocols and scanners across different medical centers. Domain Generalization (DG) methods aim to train models on source domains that can generalize to unseen target domains. Recently, the segment anything model (SAM) has demonstrated strong generalization capabilities due to its prompt-based design, and has gained significant attention in image segmentation tasks. Existing SAM-based approaches attempt to address the need for manual prompts by introducing prompt generators that automatically generate these prompts. However, we argue that auto-generated prompts may not be sufficiently accurate under distribution shifts, potentially leading to incorrect predictions that still require manual verification and correction by clinicians. To address this challenge, we propose a method for 2D medical image segmentation called Self-Correcting SAM (CoSAM). Our approach begins by generating coarse masks using SAM in a prompt-free manner, providing prior prompts for the subsequent stages, and eliminating the need for prompt generators. To automatically refine these coarse masks, we introduce a generalized error decoder that simulates the correction process typically performed by clinicians. Furthermore, we generate diverse prompts as feedback based on the corrected masks, which are used to iteratively refine the predictions within a self-correcting loop, enhancing the generalization performance of our model. Extensive experiments on two medical image segmentation benchmarks across multiple scenarios demonstrate the superiority of CoSAM over state-of-the-art SAM-based methods.
• Abstract（参考訳）: 医療画像は、様々な医療センターにまたがる画像プロトコルやスキャナーの変化により、しばしば分布の変化を示す。 ドメイン一般化 (Domain Generalization, DG) は、ターゲットドメインに一般化可能なソースドメイン上でモデルをトレーニングすることを目的としている。 近年, 画像分割タスクにおいて, 画像分割モデル (SAM) は, プロンプトに基づく設計により, 強力な一般化能力を示し, 注目されている。 既存のSAMベースのアプローチは、これらのプロンプトを自動的に生成するプロンプトジェネレータを導入することで、手動プロンプトの必要性に対処しようとする。 しかし, 自動生成プロンプトは分布シフトにおいて十分な精度が得られず, 臨床医による手作業による検証や修正を必要とする誤った予測につながる可能性が示唆された。 この課題に対処するために,CoSAM (Self-Correcting SAM) と呼ばれる2次元医用画像分割法を提案する。 提案手法は,SAM を用いて粗いマスクをプロンプトフリーで生成し,その後の段階の事前プロンプトを提供し,プロンプトジェネレータの必要性を解消することから始まる。 これらの粗いマスクを自動的に改良するため,典型的には臨床医が行う補正過程をシミュレートする一般化されたエラーデコーダを導入する。 さらに,修正マスクに基づくフィードバックとして,自己修正ループ内の予測を反復的に洗練し,モデルの一般化性能を向上させるために,多様なプロンプトを生成する。 複数のシナリオにわたる2つの医用画像セグメンテーションベンチマークの大規模な実験は、最先端のSAMベースの方法よりもCoSAMの方が優れていることを示した。

関連論文リスト

• 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)
• Unleashing the Potential of SAM for Medical Adaptation via Hierarchical Decoding [15.401507589312702]
  本稿では,医療画像の高速微調整のためのSegment Anything Model (SAM) の即時適応であるH-SAMを紹介する。 初期段階では、H-SAMはSAMのオリジナルのデコーダを使用して、より複雑なデコードプロセスの導出として、以前の確率マスクを生成する。 我々のH-SAMは、既存のプロンプトフリーSAMよりも平均Diceが4.78%改善していることを示す。
  論文  参考訳（メタデータ） (2024-03-27T05:55:16Z)
• UN-SAM: Universal Prompt-Free Segmentation for Generalized Nuclei Images [47.59627416801523]
  デジタル病理学において、正確な核分割は、組織の種類、染色プロトコル、イメージング条件の多様性によって、重要な課題である。 我々はUniversal prompt-free SAM framework for Nuclei segmentation (UN-SAM)を提案する。 例外的な性能を持つUN-SAMは、核インスタンスやセマンティックセグメンテーションの最先端、特にゼロショットシナリオにおける一般化能力を上回っている。
  論文  参考訳（メタデータ） (2024-02-26T15:35:18Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Beyond Adapting SAM: Towards End-to-End Ultrasound Image Segmentation via Auto Prompting [10.308637269138146]
  超音波画像分割に適したユニバーサルモデルとしてSAMUSを提案する。 さらに、AutoSAMUSと表記されるエンドツーエンドで動作できるようにします。 AutoSAMUSは、SAMUSのマニュアルプロンプトエンコーダを置き換えるために自動プロンプトジェネレータ(APG)を導入することで実現されている。
  論文  参考訳（メタデータ） (2023-09-13T09:15:20Z)
• SurgicalSAM: Efficient Class Promptable Surgical Instrument Segmentation [65.52097667738884]
  そこで本研究では,SAMの知識と外科的特異的情報を統合し,汎用性を向上させるための,新しいエンドツーエンドの効率的なチューニング手法であるScientialSAMを紹介した。 具体的には,タイピングのための軽量なプロトタイプベースクラスプロンプトエンコーダを提案し,クラスプロトタイプから直接プロンプト埋め込みを生成する。 また,手術器具カテゴリー間のクラス間差異の低さに対応するために,コントラッシブなプロトタイプ学習を提案する。
  論文  参考訳（メタデータ） (2023-08-17T02:51:01Z)
• DeSAM: Decoupled Segment Anything Model for Generalizable Medical Image Segmentation [22.974876391669685]
  Segment Anything Model (SAM) は、医用画像セグメンテーションのクロスドメインロバスト性を改善する可能性を示している。 SAMは手動でトリガーする時よりも、自動セグメンテーションのシナリオで大幅にパフォーマンスが低下する。 Decoupled SAMはSAMのマスクデコーダを2つの新しいモジュールを導入して変更する。
  論文  参考訳（メタデータ） (2023-06-01T09:49:11Z)
• 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)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)

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。