論文の概要: Depthwise-Dilated Convolutional Adapters for Medical Object Tracking and Segmentation Using the Segment Anything Model 2

• arxiv url: http://arxiv.org/abs/2507.14613v1
• Date: Sat, 19 Jul 2025 13:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.969927
• Title: Depthwise-Dilated Convolutional Adapters for Medical Object Tracking and Segmentation Using the Segment Anything Model 2
• Title（参考訳）: セグメンテーションモデル2を用いた医用物体追跡・セグメンテーションのための奥行き可変畳み込み適応器
• Authors: Guoping Xu, Christopher Kabat, You Zhang,
• Abstract要約: 本稿では SAM2 の効率的な適応フレームワーク DD-SAM2 を提案する。 DD-SAM2にはDepthwise-Dilated Adapter (DD-Adapter)が組み込まれている。 DD-SAM2はSAM2のストリーミングメモリを完全に活用し、医療ビデオオブジェクトの追跡とセグメンテーションを行う。
• 参考スコア（独自算出の注目度）: 1.0596160761674702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in medical image segmentation have been driven by deep learning; however, most existing methods remain limited by modality-specific designs and exhibit poor adaptability to dynamic medical imaging scenarios. The Segment Anything Model 2 (SAM2) and its related variants, which introduce a streaming memory mechanism for real-time video segmentation, present new opportunities for prompt-based, generalizable solutions. Nevertheless, adapting these models to medical video scenarios typically requires large-scale datasets for retraining or transfer learning, leading to high computational costs and the risk of catastrophic forgetting. To address these challenges, we propose DD-SAM2, an efficient adaptation framework for SAM2 that incorporates a Depthwise-Dilated Adapter (DD-Adapter) to enhance multi-scale feature extraction with minimal parameter overhead. This design enables effective fine-tuning of SAM2 on medical videos with limited training data. Unlike existing adapter-based methods focused solely on static images, DD-SAM2 fully exploits SAM2's streaming memory for medical video object tracking and segmentation. Comprehensive evaluations on TrackRad2025 (tumor segmentation) and EchoNet-Dynamic (left ventricle tracking) datasets demonstrate superior performance, achieving Dice scores of 0.93 and 0.97, respectively. To the best of our knowledge, this work provides an initial attempt at systematically exploring adapter-based SAM2 fine-tuning for medical video segmentation and tracking. Code, datasets, and models will be publicly available at https://github.com/apple1986/DD-SAM2.
• Abstract（参考訳）: 近年の医用画像のセグメンテーションは深層学習によって推進されているが、既存の手法の多くはモダリティ特有の設計によって制限されており、ダイナミックな医用画像のシナリオへの適応性が低い。 Segment Anything Model 2 (SAM2)とその関連する変種は、リアルタイムビデオセグメンテーションのためのストリーミングメモリ機構を導入し、プロンプトベースで一般化可能な新しいソリューションの機会を提示する。 それにもかかわらず、これらのモデルを医療ビデオのシナリオに適用するには、通常、再トレーニングや移行学習のための大規模なデータセットが必要である。 これらの課題に対処するため,パラメータのオーバーヘッドを最小限に抑えたマルチスケール特徴抽出を実現するために,Depthwise-Dilated Adapter (DD-Adapter) を組み込んだSAM2の効率的な適応フレームワークであるDD-SAM2を提案する。 この設計により、限られたトレーニングデータを持つ医療ビデオにおけるSAM2の効果的な微調整が可能となる。 静的イメージのみに焦点を当てた既存のアダプタベースの方法とは異なり、DD-SAM2はSAM2のストリーミングメモリを医療ビデオオブジェクトのトラッキングとセグメンテーションに完全に活用している。 TrackRad2025(腫瘍セグメンテーション)とEchoNet-Dynamic(左心室追跡)データセットの総合的な評価は、それぞれ0.93と0.97のDiceスコアを達成し、優れたパフォーマンスを示している。 我々の知る限り、本研究は、医療ビデオのセグメンテーションとトラッキングのためのアダプタベースのSAM2ファインタニングを体系的に探求するための最初の試みである。 コード、データセット、モデルはhttps://github.com/apple 1986/DD-SAM2.comで公開されている。

関連論文リスト

• SAM2-UNeXT: An Improved High-Resolution Baseline for Adapting Foundation Models to Downstream Segmentation Tasks [50.97089872043121]
  SAM2-UNeXTはSAM2-UNetの中核となる原理を基盤とした高度なフレームワークである。 我々は、補助的なDINOv2エンコーダの統合によりSAM2の表現能力を拡張する。 我々のアプローチは、単純なアーキテクチャでより正確なセグメンテーションを可能にし、複雑なデコーダ設計の必要性を緩和する。
  論文  参考訳（メタデータ） (2025-08-05T15:36:13Z)
• Memory-Augmented SAM2 for Training-Free Surgical Video Segmentation [18.71772979219666]
  トレーニング不要なビデオオブジェクトセグメンテーション戦略である Memory Augmented (MA)-SAM2 を導入する。 MA-SAM2は、複雑な楽器の動きから生じる閉塞や相互作用に対して強い堅牢性を示す。 MA-SAM2は追加のパラメータを導入せず、さらなるトレーニングも必要とせず、EndoVis 2017とEndoVis 2018データセットでSAM2よりも4.36%と6.1%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2025-07-13T11:05:25Z)
• SAMed-2: Selective Memory Enhanced Medical Segment Anything Model [28.534663662441293]
  SAM-2アーキテクチャ上に構築された医用画像分割のための新しい基礎モデルを提案する。 画像エンコーダにテンポラプタアダプタを導入し、画像相関をキャプチャし、信頼性駆動型メモリ機構により、後続の検索のために高確かさの機能を格納する。 内部ベンチマークと10の外部データセットによる実験は、マルチタスクシナリオにおける最先端のベースラインよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-07-04T16:30:38Z)
• Accelerating Volumetric Medical Image Annotation via Short-Long Memory SAM 2 [10.279314732888079]
  ショートロングメモリSAM 2 (SLM-SAM 2) は、セグメント化精度を向上させるために、異なる短期記憶バンクと長期記憶バンクを統合する新しいアーキテクチャである。 臓器, 骨, 筋肉の3つの公開データセットからSLM-SAM 2をMRIおよびCTで評価した。
  論文  参考訳（メタデータ） (2025-05-03T16:16:24Z)
• 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)
• 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)
• Novel adaptation of video segmentation to 3D MRI: efficient zero-shot knee segmentation with SAM2 [1.6237741047782823]
  Segment Anything Model 2 を応用した3次元膝関節MRIのゼロショット単発セグメンテーション法を提案する。 3次元医用ボリュームのスライスを個々のビデオフレームとして扱うことで、SAM2の高度な能力を利用して、モーションおよび空間認識の予測を生成する。 SAM2は、訓練や微調整を伴わずに、ゼロショット方式でセグメント化タスクを効率的に実行できることを実証する。
  論文  参考訳（メタデータ） (2024-08-08T21:39:15Z)
• Medical SAM 2: Segment medical images as video via Segment Anything Model 2 [17.469217682817586]
  医用SAM2(MedSAM-2)は,汎用的な2次元および3次元の医用画像セグメンテーションのための自動追跡モデルである。 われわれはMedSAM-2を5つの2Dタスクおよび9つの3Dタスク、例えば、白血球、視神経、網膜血管、下顎骨、冠動脈、腎臓腫瘍、肝腫瘍、乳癌、鼻咽喉頭癌、前庭シュワン、縦隔リンパ結節、大脳動脈、歯槽下神経、腹部臓器などについて評価した。
  論文  参考訳（メタデータ） (2024-08-01T18:49:45Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)

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。