論文の概要: Optimization of MedSAM model based on bounding box adaptive perturbation algorithm

• arxiv url: http://arxiv.org/abs/2503.19700v1
• Date: Tue, 25 Mar 2025 14:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:55:11.131207
• Title: Optimization of MedSAM model based on bounding box adaptive perturbation algorithm
• Title（参考訳）: 有界箱適応摂動アルゴリズムに基づくMedSAMモデルの最適化
• Authors: Boyi Li, Ye Yuan, Wenjun Tan,
• Abstract要約: MedSAMモデルは、一般化可能なトレーニングを通じて医療画像のセグメンテーションを強化する。 トレーニング中の摂動ウィンドウ設定の制約により、MedSAMは誤って小さな組織や臓器を分割する。 提案手法は,小さなターゲットに対するセグメンテーション誤差の低減と,削減されたバウンディングボックスプロンプトを処理する際のモデルの精度の向上を目的としている。
• 参考スコア（独自算出の注目度）: 13.175177469107084
• License:
• Abstract: The MedSAM model, built upon the SAM framework, enhances medical image segmentation through generalizable training but still exhibits notable limitations. First, constraints in the perturbation window settings during training can cause MedSAM to incorrectly segment small tissues or organs together with adjacent structures, leading to segmentation errors. Second, when dealing with medical image targets characterized by irregular shapes and complex structures, segmentation often relies on narrowing the bounding box to refine segmentation intent. However, MedSAM's performance under reduced bounding box prompts remains suboptimal. To address these challenges, this study proposes a bounding box adaptive perturbation algorithm to optimize the training process. The proposed approach aims to reduce segmentation errors for small targets and enhance the model's accuracy when processing reduced bounding box prompts, ultimately improving the robustness and reliability of the MedSAM model for complex medical imaging tasks.
• Abstract（参考訳）: SAMフレームワーク上に構築されたMedSAMモデルは、一般化可能なトレーニングを通じて医用画像のセグメンテーションを強化するが、それでも顕著な制限がある。 まず、トレーニング中の摂動窓の設定の制約により、MedSAMは小さな組織や臓器を隣接する構造と共に誤って分割し、セグメンテーションエラーを引き起こす。 第二に、不規則な形状や複雑な構造を特徴とする医用画像のターゲットを扱う場合、セグメンテーションは境界ボックスを狭め、セグメンテーションの意図を洗練させる。 しかし、制限されたバウンディングボックスのプロンプトにおけるMedSAMのパフォーマンスは、依然として最適以下である。 これらの課題に対処するため,本研究では,トレーニングプロセスの最適化を目的としたバウンディングボックス適応摂動アルゴリズムを提案する。 提案手法は,小さなターゲットに対するセグメンテーション誤差を低減し,バウンディングボックスプロンプトの処理を行う際のモデルの精度を高めることを目的としており,複雑な医用画像処理タスクにおけるMedSAMモデルの堅牢性と信頼性を向上することを目的としている。

関連論文リスト

• Efficient Knowledge Distillation of SAM for Medical Image Segmentation [0.04672991859386895]
  Segment Anything Model (SAM)はインタラクティブなイメージセグメンテーションの新しい標準を設定し、さまざまなタスクで堅牢なパフォーマンスを提供する。 我々は, エンコーダとデコーダの最適化を, Mean Squared Error (MSE) と Perceptual Loss の組み合わせで組み合わせた新しい知識蒸留手法 KD SAM を提案する。 KD SAMはセグメンテーションの精度と計算効率を効果的にバランスさせ、資源制約のある環境でリアルタイムの医用画像セグメンテーションに適している。
  論文  参考訳（メタデータ） (2025-01-28T06:33:30Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• Point-supervised Brain Tumor Segmentation with Box-prompted MedSAM [11.861051009791224]
  セマンティック・アウェア・ポイント管理型MedSAMを実現するための反復的フレームワークを提案する。 Box-prompt generator (SBPG)モジュールは、ポイント入力を潜在的に擬似境界ボックス提案に変換する能力を持つ。 Prompt-Guided Space refinement (PGSR)モジュールは、MedSAMの例外的な一般化性を利用して、セグメンテーションマスクを推測する。
  論文  参考訳（メタデータ） (2024-08-01T16:52:39Z)
• 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)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• 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)
• SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage Segmentation [18.867207134086193]
  脳梗塞診断と手術計画において,頭蓋内出血分節は重要かつ困難なステップである。 そこで我々は,脳内出血セグメンテーションのためのSAM-based parameter- efficient fine-tuning法(SAMIHS)を提案する。 2つの公開データセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T14:23:09Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。