論文の概要: Mamba Guided Boundary Prior Matters: A New Perspective for Generalized Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2507.01509v1
• Date: Wed, 02 Jul 2025 09:16:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.123245
• Title: Mamba Guided Boundary Prior Matters: A New Perspective for Generalized Polyp Segmentation
• Title（参考訳）: Mamba Guided boundary Prior Matters: a new perspective for Generalized Polyp Segmentation
• Authors: Tapas K. Dutta, Snehashis Majhi, Deepak Ranjan Nayak, Debesh Jha,
• Abstract要約: 大腸癌の早期発見と診断には大腸内視鏡像のポリープ分画が重要である。 本稿では,ロバストなポリープセグメンテーションのための画期的なアプローチであるSAM-MaGuPを提案する。 SAM(Segment Anything Model)に境界蒸留モジュールと1D-2Dマンバアダプタを組み込むことで、SAM-MaGuPは弱い境界問題の解決に優れる。 我々の重要な革新、マンバ誘導境界と1D-2Dマンバブロックは、フィールドに新しいベンチマークを設定し、ポリープセグメンテーションの境界を新しい高さに押し上げた。
• 参考スコア（独自算出の注目度）: 3.075778955462259
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polyp segmentation in colonoscopy images is crucial for early detection and diagnosis of colorectal cancer. However, this task remains a significant challenge due to the substantial variations in polyp shape, size, and color, as well as the high similarity between polyps and surrounding tissues, often compounded by indistinct boundaries. While existing encoder-decoder CNN and transformer-based approaches have shown promising results, they struggle with stable segmentation performance on polyps with weak or blurry boundaries. These methods exhibit limited abilities to distinguish between polyps and non-polyps and capture essential boundary cues. Moreover, their generalizability still falls short of meeting the demands of real-time clinical applications. To address these limitations, we propose SAM-MaGuP, a groundbreaking approach for robust polyp segmentation. By incorporating a boundary distillation module and a 1D-2D Mamba adapter within the Segment Anything Model (SAM), SAM-MaGuP excels at resolving weak boundary challenges and amplifies feature learning through enriched global contextual interactions. Extensive evaluations across five diverse datasets reveal that SAM-MaGuP outperforms state-of-the-art methods, achieving unmatched segmentation accuracy and robustness. Our key innovations, a Mamba-guided boundary prior and a 1D-2D Mamba block, set a new benchmark in the field, pushing the boundaries of polyp segmentation to new heights.
• Abstract（参考訳）: 大腸癌の早期発見と診断には大腸内視鏡像のポリープ分画が重要である。 しかし、この課題は、ポリプの形状、大きさ、色がかなり異なること、またポリプと周囲の組織の間に高い類似性があり、しばしば不明瞭な境界によって合成されるため、重要な課題である。 既存のエンコーダデコーダCNNとトランスフォーマーベースのアプローチは有望な結果を示しているが、弱いあるいはぼやけた境界を持つポリープ上の安定なセグメンテーション性能に苦慮している。 これらの手法は、ポリプと非ポリプを区別し、必須境界線を捕捉する限られた能力を示す。 さらに、それらの一般化性は、リアルタイム臨床応用の要求を満たすには至っていない。 これらの制約に対処するために,ロバストなポリプセグメンテーションのための画期的なアプローチSAM-MaGuPを提案する。 SAM(Segment Anything Model)内に境界蒸留モジュールと1D-2Dマンバアダプタを組み込むことにより、SAM-MaGuPは弱い境界問題の解決と、豊富なグローバルな文脈相互作用による特徴学習の強化に長けている。 5つの多様なデータセットにわたる広範囲な評価により、SAM-MaGuPは最先端の手法よりも優れており、未整合セグメンテーション精度と堅牢性を実現している。 我々の重要な革新、マンバ誘導境界と1D-2Dマンバブロックは、フィールドに新しいベンチマークを設定し、ポリープセグメンテーションの境界を新しい高さに押し上げた。

関連論文リスト

• SAM-Mamba: Mamba Guided SAM Architecture for Generalized Zero-Shot Polyp Segmentation [3.075778955462259]
  大腸内視鏡検査におけるポリープセグメンテーションは大腸癌の検出に不可欠である。 畳み込みニューラルネットワーク(CNN)に基づく従来のセグメンテーションモデルは、詳細なパターンとグローバルなコンテキストを捉えるのに苦労している。 効率的なポリープセグメンテーションのためのMamba-guided Segment Anything Model (SAM-Mamba)を提案する。
  論文  参考訳（メタデータ） (2024-12-11T15:47:54Z)
• 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)
• Multi-scale Information Sharing and Selection Network with Boundary Attention for Polyp Segmentation [10.152504573356413]
  本稿では,多目的セグメンテーションタスクのためのマルチスケール情報共有選択ネットワーク(MISNet)を提案する。 5つのpolypセグメンテーションデータセットの実験により、MISNetはセグメンテーション結果の精度と明確性を改善した。
  論文  参考訳（メタデータ） (2024-05-18T02:48:39Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• 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)
• Polyper: Boundary Sensitive Polyp Segmentation [32.00049708774388]
  ポリープセグメンテーションのための新しいバウンダリセンシティブなフレームワークであるPolyperを提案する。 本手法は, インテリアポリープ領域の特徴を生かして, ぼやけた境界に対処する, 調味料を処方する臨床アプローチによるものである。 Polyperの有効性を評価するため、5つの公開可能な挑戦的データセットで実験を行い、それらすべてに対して最先端のパフォーマンスを受信する。
  論文  参考訳（メタデータ） (2023-12-14T08:27:00Z)
• SegT: A Novel Separated Edge-guidance Transformer Network for Polyp Segmentation [10.144870911523622]
  本稿では, 効率的なポリープ分割モデルを構築することを目的とした, エッジ誘導変換器 (SegT) ネットワークを提案する。 既存のCNNベースのアプローチよりも堅牢な表現を学習するトランスフォーマーエンコーダが特に適用された。 SegTの有効性を評価するために、5つの挑戦的な公開データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-06-19T08:32:05Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• BoxPolyp:Boost Generalized Polyp Segmentation Using Extra Coarse Bounding Box Annotations [79.17754846553866]
  我々は、正確なマスクと余分な粗いボックスアノテーションをフル活用するための強化されたBoxPolypモデルを提案する。 実際には、従来のポリプセグメンテーションモデルの過度に適合する問題を緩和するためにボックスアノテーションが適用される。 提案手法は従来の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-12-07T07:45:50Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。