論文の概要: SSS: Semi-Supervised SAM-2 with Efficient Prompting for Medical Imaging Segmentation

• arxiv url: http://arxiv.org/abs/2506.08949v1
• Date: Tue, 10 Jun 2025 16:09:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.855368
• Title: SSS: Semi-Supervised SAM-2 with Efficient Prompting for Medical Imaging Segmentation
• Title（参考訳）: SSS-セミスーパービジョンSAM-2 : 医用画像分割のための効率的なプロンプティング
• Authors: Hongjie Zhu, Xiwei Liu, Rundong Xue, Zeyu Zhang, Yong Xu, Daji Ergu, Ying Cai, Yang Zhao,
• Abstract要約: SSS(Semi-Supervised SAM-2)は、SAM-2の頑健な特徴抽出機能を活用して、ラベルなしの医療画像における潜在知識を明らかにする新しいアプローチである。 実験では、SSSはBHSD上での平均Diceスコアを53.15とし、+3.65Diceよりも上回っている。
• 参考スコア（独自算出の注目度）: 18.41555492374031
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the era of information explosion, efficiently leveraging large-scale unlabeled data while minimizing the reliance on high-quality pixel-level annotations remains a critical challenge in the field of medical imaging. Semi-supervised learning (SSL) enhances the utilization of unlabeled data by facilitating knowledge transfer, significantly improving the performance of fully supervised models and emerging as a highly promising research direction in medical image analysis. Inspired by the ability of Vision Foundation Models (e.g., SAM-2) to provide rich prior knowledge, we propose SSS (Semi-Supervised SAM-2), a novel approach that leverages SAM-2's robust feature extraction capabilities to uncover latent knowledge in unlabeled medical images, thus effectively enhancing feature support for fully supervised medical image segmentation. Specifically, building upon the single-stream "weak-to-strong" consistency regularization framework, this paper introduces a Discriminative Feature Enhancement (DFE) mechanism to further explore the feature discrepancies introduced by various data augmentation strategies across multiple views. By leveraging feature similarity and dissimilarity across multi-scale augmentation techniques, the method reconstructs and models the features, thereby effectively optimizing the salient regions. Furthermore, a prompt generator is developed that integrates Physical Constraints with a Sliding Window (PCSW) mechanism to generate input prompts for unlabeled data, fulfilling SAM-2's requirement for additional prompts. Extensive experiments demonstrate the superiority of the proposed method for semi-supervised medical image segmentation on two multi-label datasets, i.e., ACDC and BHSD. Notably, SSS achieves an average Dice score of 53.15 on BHSD, surpassing the previous state-of-the-art method by +3.65 Dice. Code will be available at https://github.com/AIGeeksGroup/SSS.
• Abstract（参考訳）: 情報爆発の時代において、高品質なピクセルレベルのアノテーションへの依存を最小限に抑えながら、大規模未ラベルデータの効率よく活用することは、医用画像の分野で重要な課題である。 半教師付き学習(SSL)は、知識伝達を容易にし、完全教師付きモデルの性能を著しく向上させ、医用画像解析における有望な研究方向として浮上させることにより、ラベルなしデータの利用を促進させる。 SSS(Semi-Supervised SAM-2)は、SAM-2の頑健な特徴抽出機能を活用して、未ラベルの医用画像における潜在的知識を明らかにすることで、完全教師付き医用画像セグメンテーションの機能サポートを効果的に強化する手法である。 具体的には、単一ストリームの「弱強」一貫性規則化フレームワークを基盤として、複数のビューにまたがる様々なデータ拡張戦略によってもたらされる特徴の相違をより深く探求するための識別的特徴拡張(DFE)機構を導入する。 マルチスケール拡張技術にまたがる特徴類似性と相似性を活用することにより,特徴を再構築し,モデル化し,効率よく有意な領域を最適化する。 さらに、物理制約をスライディングウィンドウ(PCSW)機構と統合し、ラベルなしデータの入力プロンプトを生成し、SAM-2の追加プロンプト要求を満たすプロンプト生成器を開発した。 広汎な実験により,ACDCとBHSDの2つのマルチラベルデータセット上で,半教師付き医用画像セグメンテーション法が優れていることが示された。 特に、SSSはBHSD上での平均Diceスコアを53.15とし、従来の最先端のDiceを+3.65Diceで上回っている。 コードはhttps://github.com/AIGeeksGroup/SSSで入手できる。

関連論文リスト

• Learnable Prompting SAM-induced Knowledge Distillation for Semi-supervised Medical Image Segmentation [47.789013598970925]
  半教師型医用画像分割のための知識蒸留フレームワークKnowSAMを提案する。 我々のモデルは最先端の半教師付きセグメンテーションアプローチより優れている。
  論文  参考訳（メタデータ） (2024-12-18T11:19:23Z)
• Manifold-Aware Local Feature Modeling for Semi-Supervised Medical Image Segmentation [20.69908466577971]
  マニフォールド対応局所特徴モデリングネットワーク (MANet) を導入し, 多様体監視信号を組み込むことでU-Netアーキテクチャを向上する。 ACDC、LA、Pancreas-NIHといったデータセットに関する我々の実験は、MANetがパフォーマンス指標における最先端の手法を一貫して超越していることを示しています。
  論文  参考訳（メタデータ） (2024-10-14T08:40:35Z)
• Cross Prompting Consistency with Segment Anything Model for Semi-supervised Medical Image Segmentation [44.54301473673582]
  半教師付き学習(SSL)は,医用画像のセグメンテーションにおいて顕著な進歩を遂げている。 SAM(Segment Anything Model)のような視覚基盤モデルの最近の発展は、顕著な適応性を示している。 半教師型医用画像分割のためのセグメンテーションモデル(CPC-SAM)を用いたクロスプロンプト整合性手法を提案する。
  論文  参考訳（メタデータ） (2024-07-07T15:43:20Z)
• 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)
• 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)
• 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)
• SemiSAM: Enhancing Semi-Supervised Medical Image Segmentation via SAM-Assisted Consistency Regularization [23.28335241083164]
  半教師付き手法はラベルのないデータを利用することで性能を向上させることができる。 SemiSAMは、ラベル付き画像が1つまたは数つしか利用できない場合、既存の半教師付きフレームワークのパフォーマンスを大幅に改善する。
  論文  参考訳（メタデータ） (2023-12-11T12:03:30Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• SSMD: Semi-Supervised Medical Image Detection with Adaptive Consistency and Heterogeneous Perturbation [47.001609080453335]
  SSMD(Semi-Supervised Medical Image Detector)を提案する。 SSMDの背後にあるモチベーションは、各位置での予測を一貫性のあるものにすることで、ラベルのないデータに対して、自由かつ効果的な監視を提供することである。 広範な実験結果から,提案したSSMDは,幅広い環境下での最先端性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2021-06-03T01:59:50Z)

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。