Fugu-MT 論文翻訳(概要): PathSeqSAM: Sequential Modeling for Pathology Image Segmentation with SAM2

論文の概要: PathSeqSAM: Sequential Modeling for Pathology Image Segmentation with SAM2

arxiv url: http://arxiv.org/abs/2504.10526v1
Date: Sat, 12 Apr 2025 05:30:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-16 22:06:53.981710
Title: PathSeqSAM: Sequential Modeling for Pathology Image Segmentation with SAM2
Title（参考訳）: PathSeqSAM:SAM2を用いた病理画像セグメンテーションのシーケンスモデリング
Authors: Mingyang Zhu, Yinting Liu, Mingyu Li, Jiacheng Wang,
Abstract要約: PathSeqSAMは2次元病理スライスをglomerul2のメモリ機構を用いたシーケンシャルなビデオフレームとして扱う新しい手法である。そこで本手法では,スライスとLoRA間の物理距離の変動を考慮した距離認識型アテンション機構を提案する。
参考スコア（独自算出の注目度）: 6.298204266057953
License:
Abstract: Current methods for pathology image segmentation typically treat 2D slices independently, ignoring valuable cross-slice information. We present PathSeqSAM, a novel approach that treats 2D pathology slices as sequential video frames using SAM2's memory mechanisms. Our method introduces a distance-aware attention mechanism that accounts for variable physical distances between slices and employs LoRA for domain adaptation. Evaluated on the KPI Challenge 2024 dataset for glomeruli segmentation, PathSeqSAM demonstrates improved segmentation quality, particularly in challenging cases that benefit from cross-slice context. We have publicly released our code at https://github.com/JackyyyWang/PathSeqSAM.
Abstract（参考訳）: 病理画像分割の現在の手法は、2Dスライスを個別に扱い、貴重なクロススライス情報を無視している。 SAM2のメモリ機構を用いて2次元病理スライスをシーケンシャルなビデオフレームとして扱う新しい手法であるPathSeqSAMを提案する。本手法では,スライス間の物理的距離の変動を考慮した距離認識型アテンション機構を導入し,ドメイン適応にLoRAを用いる。グロマリグセグメンテーションのためのKPI Challenge 2024データセットに基づいて評価されたPathSeqSAMは、特にクロススライスコンテキストの恩恵を受ける挑戦ケースにおいて、セグメンテーション品質の改善を実証している。コードについてはhttps://github.com/JackyyyWang/PathSeqSAM.comで公開しています。

関連論文リスト

DB-SAM: Delving into High Quality Universal Medical Image Segmentation [100.63434169944853]
本稿では,2次元医療データと2次元医療データとのギャップを埋めるために,DB-SAMという二分岐型SAMフレームワークを提案する。文献における最近の医療用SAMアダプタと比較して,DB-SAMは8.8%向上した。
論文参考訳（メタデータ） (2024-10-05T14:36:43Z)
SAM-OCTA2: Layer Sequence OCTA Segmentation with Fine-tuned Segment Anything Model 2 [2.314516220934268]
SAM(Segment Anything Model)バージョン2の微調整には低ランク適応方式が採用されている。メソッドはSAM-OCTA2と呼ばれ、OCTA-500データセットで実験されている。正常な2次元の面にFoveal avascular zone(FAZ)を分断し、スキャン層をまたいだ局所血管を効果的に追跡する。
論文参考訳（メタデータ） (2024-09-14T03:28:24Z)
RevSAM2: Prompt SAM2 for Medical Image Segmentation via Reverse-Propagation without Fine-tuning [4.590933790796203]
本稿では,医療画像セグメンテーションのための簡易かつ効果的な自己補正フレームワークであるRevSAM2を紹介する。 RevSAM2は、微調整を必要とせず、目に見えない3D画像分割タスクにおいて優れた性能を発揮する。我々は,ラベル効率の良い医用画像セグメンテーションにおけるSAM2の可能性について,微調整なしで初めて検討した。
論文参考訳（メタデータ） (2024-09-06T14:17:09Z)
SAM2-UNet: Segment Anything 2 Makes Strong Encoder for Natural and Medical Image Segmentation [51.90445260276897]
我々は,Segment Anything Model 2 (SAM2) がU字型セグメンテーションモデルの強力なエンコーダであることを証明した。本稿では, SAM2-UNet と呼ばれる, 汎用画像分割のための簡易かつ効果的なフレームワークを提案する。
論文参考訳（メタデータ） (2024-08-16T17:55:38Z)
Path-SAM2: Transfer SAM2 for digital pathology semantic segmentation [6.721564277355789]
Path-SAM2はSAM2モデルに初めて適応し,病的セマンティックセグメンテーションの課題に適応する。病理組織学における最大の事前学習型視覚エンコーダ(UNI)とオリジナルのSAM2エンコーダを統合し,病理学に基づく事前知識を付加する。 3つの腺腫の病理データセットにおいて、Path-SAM2は最先端のパフォーマンスを達成した。
論文参考訳（メタデータ） (2024-08-07T09:30:51Z)
SliceMamba with Neural Architecture Search for Medical Image Segmentation [13.837666496926351]
SliceMambaは,シンプルで効果的なマンバ型医用画像分割モデルである。 SliceMambaには、双方向機能スライシングを行う効率的な双方向スライススキャンモジュール(BSS)が含まれている。また,対象データの特徴に基づいて最適な特徴スライス法を自動決定する適応スライス探索手法を提案する。
論文参考訳（メタデータ） (2024-07-11T13:13:31Z)
I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
論文参考訳（メタデータ） (2023-11-28T00:43:52Z)
Segment Anything Meets Point Tracking [116.44931239508578]
本稿では,SAMと長期点追跡を併用した,ポイント中心の対話型ビデオセグメンテーションの新たな手法を提案する。ゼロショットオープンワールドUnidentified Video Objects(UVO)ベンチマークで直接評価することで,ポイントベーストラッキングのメリットを強調した。 DAVIS, YouTube-VOS, BDD100Kなどの人気ビデオオブジェクトのセグメンテーションと多目的セグメンテーションのベンチマーク実験により, ポイントベースセグメンテーショントラッカーがより優れたゼロショット性能と効率的なインタラクションをもたらすことが示唆された。
論文参考訳（メタデータ） (2023-07-03T17:58:01Z)
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)
Improving Video Instance Segmentation via Temporal Pyramid Routing [61.10753640148878]
Video Instance(VIS)は、ビデオシーケンス内の各インスタンスを検出し、セグメンテーションし、追跡することを目的とした、新しい、本質的にはマルチタスク問題である。隣接する2つのフレームからなる特徴ピラミッド対から画素レベルのアグリゲーションを条件付きで調整し,実行するための時間ピラミッドルーティング(TPR)戦略を提案する。我々のアプローチはプラグイン・アンド・プレイモジュールであり、既存のインスタンス・セグメンテーション・メソッドにも容易に適用できます。
論文参考訳（メタデータ） (2021-07-28T03:57:12Z)

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。