論文の概要: AMA-SAM: Adversarial Multi-Domain Alignment of Segment Anything Model for High-Fidelity Histology Nuclei Segmentation
- arxiv url: http://arxiv.org/abs/2503.21695v1
- Date: Thu, 27 Mar 2025 16:59:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:54:18.644842
- Title: AMA-SAM: Adversarial Multi-Domain Alignment of Segment Anything Model for High-Fidelity Histology Nuclei Segmentation
- Title(参考訳): AMA-SAM:高密度ヒストロジー核セグメンテーションのためのセグメンテーションモデルの逆多重領域アライメント
- Authors: Jiahe Qian, Yaoyu Fang, Jinkui Hao, Bo Zhou,
- Abstract要約: 本稿では,Segment Anything Model(SAM)を拡張したAdrial Multi-domain Alignment of Segment Anything Model(AMA-SAM)を紹介した。
まず、ドメイン不変表現学習を促進するために、多様なドメインの特徴を調和させる条件勾配反転層(CGRL)を提案する。
次に,高分解能デコーダ (HR-Decoder) を設計することにより,SAM固有の低分解能出力に対処する。
- 参考スコア(独自算出の注目度): 2.52189149988768
- License:
- Abstract: Accurate segmentation of cell nuclei in histopathology images is essential for numerous biomedical research and clinical applications. However, existing cell nucleus segmentation methods only consider a single dataset (i.e., primary domain), while neglecting to leverage supplementary data from diverse sources (i.e., auxiliary domains) to reduce overfitting and enhance the performance. Although incorporating multiple datasets could alleviate overfitting, it often exacerbates performance drops caused by domain shifts. In this work, we introduce Adversarial Multi-domain Alignment of Segment Anything Model (AMA-SAM) that extends the Segment Anything Model (SAM) to overcome these obstacles through two key innovations. First, we propose a Conditional Gradient Reversal Layer (CGRL), a multi-domain alignment module that harmonizes features from diverse domains to promote domain-invariant representation learning while preserving crucial discriminative features for the primary dataset. Second, we address SAM's inherent low-resolution output by designing a High-Resolution Decoder (HR-Decoder), which directly produces fine-grained segmentation maps in order to capture intricate nuclei boundaries in high-resolution histology images. To the best of our knowledge, this is the first attempt to adapt SAM for multi-dataset learning with application to histology nuclei segmentation. We validate our method on several publicly available datasets, demonstrating consistent and significant improvements over state-of-the-art approaches.
- Abstract(参考訳): 病理組織像における細胞核の正確なセグメンテーションは多くの生物医学研究および臨床応用に不可欠である。
しかし、既存の細胞核分割法は1つのデータセット(すなわちプライマリドメイン)しか考慮していないが、多種多様なソース(すなわち補助ドメイン)からの補足データを利用して過剰な適合を減らし、性能を高めることは無視されている。
複数のデータセットを組み込むことでオーバーフィッティングが軽減されるが、ドメインシフトによるパフォーマンス低下が悪化することがしばしばある。
本稿では,Segment Anything Model(SAM)を拡張したAdversarial Multi-domain Alignment of Segment Anything Model(AMA-SAM)を紹介し,これらの障害を2つの重要なイノベーションを通じて克服する。
まず,多領域アライメントモジュールであるConditional Gradient Reversal Layer (CGRL)を提案する。
第2に,高分解能デコーダ(HR-デコーダ)を設計することにより,SAM固有の低分解能出力に対処する。
我々の知る限りでは、SAMをマルチデータセット学習に適用するための最初の試みであり、組織学的な核セグメンテーションへの応用である。
提案手法をいくつかの公開データセットで検証し,最先端のアプローチに対する一貫性と顕著な改善を実証した。
関連論文リスト
- MGFI-Net: A Multi-Grained Feature Integration Network for Enhanced Medical Image Segmentation [0.3108011671896571]
医用画像のセグメンテーションにおける大きな課題は、ノイズ、低コントラスト、複雑な解剖学的構造の存在に対する関心領域の正確な記述を実現することである。
既存のセグメンテーションモデルは、多粒度情報の統合を無視し、エッジの詳細を保存できないことが多い。
我々は,Multi-Grained Feature Integration Network (MGFI-Net)と呼ばれる新しい画像セマンティックセマンティクスモデルを提案する。
私たちのMGFI-Netは、これらの問題に対処するための2つの専用のモジュールで設計されています。
論文 参考訳(メタデータ) (2025-02-19T15:24:34Z) - 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) - 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) - CausalCellSegmenter: Causal Inference inspired Diversified Aggregation
Convolution for Pathology Image Segmentation [9.021612471640635]
深層学習モデルは、病理画像解析の分野で、細胞核セグメンテーションに有望な性能を示した。
本稿では,Causal Inference Module (CIM) とDiversified Aggregation Convolution (DAC) を組み合わせた新しいフレームワークCausalCellSegmenterを提案する。
論文 参考訳(メタデータ) (2024-03-10T03:04:13Z) - 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) - Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble [22.82094545786408]
マルチ組織セグメンテーションは、医用画像解析の基本的な課題である。
高価な労働コストと専門知識のため、多臓器アノテーションの入手は通常制限される。
本稿では,モデル適応段とモデルアンサンブル段からなる新しい2段法を提案する。
論文 参考訳(メタデータ) (2023-04-14T13:39:39Z) - Multi-Scale Multi-Target Domain Adaptation for Angle Closure
Classification [50.658613573816254]
角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。
異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
論文 参考訳(メタデータ) (2022-08-25T15:27:55Z) - Single-domain Generalization in Medical Image Segmentation via Test-time
Adaptation from Shape Dictionary [64.5632303184502]
ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。
本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。
本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-06-29T08:46:27Z) - MaNi: Maximizing Mutual Information for Nuclei Cross-Domain Unsupervised
Segmentation [9.227037203895533]
本稿では,相互情報(MI)に基づく非教師なし領域適応(UDA)手法を提案する。
核は、様々な種類のがんの構造と外観に大きく異なり、あるがんタイプで訓練し、別のがんタイプでテストすると、ディープラーニングモデルの性能が低下する。
論文 参考訳(メタデータ) (2022-06-29T07:24:02Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2021-05-17T10:11:45Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2020-07-04T07:56:02Z)
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。