論文の概要: SeqSAM: Autoregressive Multiple Hypothesis Prediction for Medical Image Segmentation using SAM

• arxiv url: http://arxiv.org/abs/2503.09797v1
• Date: Wed, 12 Mar 2025 20:01:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:55:14.193730
• Title: SeqSAM: Autoregressive Multiple Hypothesis Prediction for Medical Image Segmentation using SAM
• Title（参考訳）: SeqSAM:SAMを用いた医用画像分割のための自己回帰多重仮説予測
• Authors: Benjamin Towle, Xin Chen, Ke Zhou,
• Abstract要約: 複数のマスクを生成するためのシーケンシャルでRNNにインスパイアされたアプローチであるSeqSAMを紹介する。 2つの公開データセットで生成された各マスクの品質が顕著に向上したことを示す。
• 参考スコア（独自算出の注目度）: 8.525516300734024
• License:
• Abstract: Pre-trained segmentation models are a powerful and flexible tool for segmenting images. Recently, this trend has extended to medical imaging. Yet, often these methods only produce a single prediction for a given image, neglecting inherent uncertainty in medical images, due to unclear object boundaries and errors caused by the annotation tool. Multiple Choice Learning is a technique for generating multiple masks, through multiple learned prediction heads. However, this cannot readily be extended to producing more outputs than its initial pre-training hyperparameters, as the sparse, winner-takes-all loss function makes it easy for one prediction head to become overly dominant, thus not guaranteeing the clinical relevancy of each mask produced. We introduce SeqSAM, a sequential, RNN-inspired approach to generating multiple masks, which uses a bipartite matching loss for ensuring the clinical relevancy of each mask, and can produce an arbitrary number of masks. We show notable improvements in quality of each mask produced across two publicly available datasets. Our code is available at https://github.com/BenjaminTowle/SeqSAM.
• Abstract（参考訳）: 事前訓練されたセグメンテーションモデルは、画像のセグメンテーションのための強力で柔軟なツールである。 近年、この傾向は医用画像にまで拡大している。 しかし、これらの手法は特定の画像に対して単一の予測しか生成せず、医用画像に固有の不確実性を無視している。 多重選択学習は、複数の学習された予測ヘッドを通じて複数のマスクを生成する技術である。 しかし、これは初期トレーニング済みのハイパーパラメータよりも多くの出力を生成するには至らず、一方の予測ヘッドが過剰に支配的になることが容易になり、各マスクの臨床的関連性は保証されない。 複数のマスクを連続的に生成するためのシーケンシャルなRNNインスパイアされたアプローチであるSeqSAMを紹介した。 2つの公開データセットで生成された各マスクの品質が顕著に向上したことを示す。 私たちのコードはhttps://github.com/BenjaminTowle/SeqSAMで利用可能です。

関連論文リスト

• SAM-MPA: Applying SAM to Few-shot Medical Image Segmentation using Mask Propagation and Auto-prompting [6.739803086387235]
  医用画像のセグメンテーションは、しばしば高額なアノテーションコストの課題に直面している。 本稿では,10億枚以上のマスクで事前学習したセグメンション・アプライシング・モデル(SAM)を活用することを提案する。 SAM-MPA は,医療画像の断片化のためのイノベーティブな SAM ベースのフレームワークである。
  論文  参考訳（メタデータ） (2024-11-26T12:12:12Z)
• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Pluralistic Salient Object Detection [108.74650817891984]
  本稿では,与えられた入力画像に対して,複数の有意な有意な有意な有意な有意な有意な分割結果を生成することを目的とした新しい課題であるPSOD(multiistic Salient Object Detection)を紹介する。 新たに設計された評価指標とともに,2つのSODデータセット "DUTS-MM" と "DUS-MQ" を提案する。
  論文  参考訳（メタデータ） (2024-09-04T01:38:37Z)
• MEGA: Masked Generative Autoencoder for Human Mesh Recovery [33.26995842920877]
  単一のRGB画像からのヒューマンメッシュの回復は、非常にあいまいな問題である。 ほとんどのHMR手法はこの問題を見逃し、曖昧さを考慮せずに単一の予測を行う。 本研究は,マスク生成モデルに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:40:31Z)
• 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)
• DFormer: Diffusion-guided Transformer for Universal Image Segmentation [86.73405604947459]
  提案したDFormerは,拡散モデルを用いて画像分割タスクをデノナイズプロセスとみなしている。 我々のDFormerは、ランダムに生成されたマスクの集合から、マスクとそれに対応するカテゴリを直接予測します。 我々のDFormerは、最近の拡散型汎光学分割法Pix2Seq-Dより優れており、MS COCO val 2017セットで3.6%向上している。
  論文  参考訳（メタデータ） (2023-06-06T06:33:32Z)
• Efficient Masked Autoencoders with Self-Consistency [34.7076436760695]
  マスク付き画像モデリング(MIM)はコンピュータビジョンにおける強力な自己教師付き事前学習手法として認識されている。 本研究では,自己整合性(EMAE)を有する効率的なマスク付きオートエンコーダを提案し,事前学習効率を向上させる。 EMAEは、画像分類、オブジェクト検出、セマンティックセグメンテーションなど、さまざまな下流タスクにおける最先端の転送能力を一貫して取得する。
  論文  参考訳（メタデータ） (2023-02-28T09:21:12Z)
• Towards Improved Input Masking for Convolutional Neural Networks [66.99060157800403]
  層マスキングと呼ぶCNNのための新しいマスキング手法を提案する。 本手法は,マスク形状や色がモデル出力に与える影響を排除あるいは最小化することができることを示す。 また,マスクの形状がクラスに関する情報を漏洩させる可能性を示し,クラス関連特徴に対するモデル依存度の推定に影響を及ぼすことを示した。
  論文  参考訳（メタデータ） (2022-11-26T19:31:49Z)
• Masksembles for Uncertainty Estimation [60.400102501013784]
  ディープニューラルネットワークは、その強みを巧みに実証しているが、その予測の信頼性を推定することは依然として困難である。 深層アンサンブルは不確かさを推定する最良の方法の1つと考えられているが、訓練や評価は非常に高価である。 mc-dropoutも人気の高い代替品で、安価だが信頼性も低い。
  論文  参考訳（メタデータ） (2020-12-15T14:39:57Z)
• Improving Self-supervised Pre-training via a Fully-Explored Masked Language Model [57.77981008219654]
  Masked Language Model (MLM)フレームワークは、自己教師型言語事前学習に広く採用されている。 そこで本研究では,テキストシーケンスを複数の非重複セグメントに分割するマスキング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-12T21:28:14Z)

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。