論文の概要: TextSAM-EUS: Text Prompt Learning for SAM to Accurately Segment Pancreatic Tumor in Endoscopic Ultrasound

• arxiv url: http://arxiv.org/abs/2507.18082v3
• Date: Wed, 30 Jul 2025 17:39:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 14:05:51.380683
• Title: TextSAM-EUS: Text Prompt Learning for SAM to Accurately Segment Pancreatic Tumor in Endoscopic Ultrasound
• Title（参考訳）: TextSAM-EUS: SAMによる内視鏡的超音波検査における膵腫瘍の正確な分画学習
• Authors: Pascal Spiegler, Taha Koleilat, Arash Harirpoush, Corey S. Miller, Hassan Rivaz, Marta Kersten-Oertel, Yiming Xiao,
• Abstract要約: TextSAM-EUSはSegment Anything Model (SAM) のテキストによる適応であり、推論時に手動の幾何学的プロンプトを必要としない。 膵臓の公衆内視鏡超音波データベースTextSAM-EUSは82.69%のDiceと85.28%の正規化表面距離(NSD)を達成している
• 参考スコア（独自算出の注目度）: 2.347272250081537
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pancreatic cancer carries a poor prognosis and relies on endoscopic ultrasound (EUS) for targeted biopsy and radiotherapy. However, the speckle noise, low contrast, and unintuitive appearance of EUS make segmentation of pancreatic tumors with fully supervised deep learning (DL) models both error-prone and dependent on large, expert-curated annotation datasets. To address these challenges, we present TextSAM-EUS, a novel, lightweight, text-driven adaptation of the Segment Anything Model (SAM) that requires no manual geometric prompts at inference. Our approach leverages text prompt learning (context optimization) through the BiomedCLIP text encoder in conjunction with a LoRA-based adaptation of SAM's architecture to enable automatic pancreatic tumor segmentation in EUS, tuning only 0.86% of the total parameters. On the public Endoscopic Ultrasound Database of the Pancreas, TextSAM-EUS with automatic prompts attains 82.69% Dice and 85.28% normalized surface distance (NSD), and with manual geometric prompts reaches 83.10% Dice and 85.70% NSD, outperforming both existing state-of-the-art (SOTA) supervised DL models and foundation models (e.g., SAM and its variants). As the first attempt to incorporate prompt learning in SAM-based medical image segmentation, TextSAM-EUS offers a practical option for efficient and robust automatic EUS segmentation. Code is available at https://github.com/HealthX-Lab/TextSAM-EUS .
• Abstract（参考訳）: 膵癌は予後不良であり、生検や放射線治療に内視鏡的超音波(EUS)を頼っている。 しかし、EUSのスペックルノイズ、低コントラスト、直感的な外観は、完全に教師付き深層学習(DL)モデルによる膵腫瘍の分節化を、大規模な専門家によって算出されたアノテーションデータセットに依存している。 これらの課題に対処するために,Segment Anything Model (SAM) の新規で軽量なテキスト駆動型適応である TextSAM-EUS を提案する。 提案手法は,BiomedCLIPテキストエンコーダによるテキストプロンプト学習(コンテキスト最適化)とSAMアーキテクチャのLoRAによる適応を併用して,EUSにおける膵腫瘍の自動分割を実現し,総パラメータの0.86%をチューニングする。 膵臓の一般の内視鏡超音波データベースでは、自動プロンプトを持つTextSAM-EUSは82.69%のDiceと85.28%の正規化表面距離(NSD)を獲得し、手動の幾何学的プロンプトは83.10%のDiceと85.70%のNSDに達し、既存の最先端技術(SOTA)によるDLモデルと基礎モデル(例えばSAMとその変種)の両方を上回っている。 SAMベースの医療画像セグメンテーションに即時学習を取り入れる最初の試みとして、TextSAM-EUSは、効率的で堅牢なEUSセグメンテーションのための実用的な選択肢を提供する。 コードはhttps://github.com/HealthX-Lab/TextSAM-EUSで公開されている。

関連論文リスト

• BiSeg-SAM: Weakly-Supervised Post-Processing Framework for Boosting Binary Segmentation in Segment Anything Models [6.74659948545092]
  BiSeg-SAMは、ポリープと皮膚病変の分節のための弱い制御されたプロンプトと境界の精製ネットワークである。 本手法は5つのポリプデータセットと1つの皮膚がんデータセットでテストした場合, 最先端(SOTA)法よりも有意な優位性を示した。
  論文  参考訳（メタデータ） (2025-04-02T08:04:37Z)
• GBT-SAM: Adapting a Foundational Deep Learning Model for Generalizable Brain Tumor Segmentation via Efficient Integration of Multi-Parametric MRI Data [5.7802171590699984]
  GBT-SAMはパラメータ効率のよいディープラーニングフレームワークで,Segment Anything Modelをmp-MRIデータに適用する。 本モデルは,深度認識モジュールを組み込んだ2段階の微調整戦略により,スライス間相関を抽出する。 BraTSアダルトグリオーマデータセットで93.54のDiceスコアを達成し、メニンギオーマ、小児グリオーマ、サブサハラグリオーマデータセットで堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-06T11:18:22Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• SurgicalPart-SAM: Part-to-Whole Collaborative Prompting for Surgical Instrument Segmentation [66.21356751558011]
  Segment Anything Model (SAM)は、ジェネリックオブジェクトセグメンテーションの約束を示し、様々なアプリケーションに可能性を提供します。 既存の方法では、SAMベースのフレームワークを手術データにチューニングすることで、手術器具セグメンテーション(SIS)にSAMを適用している。 本稿では,楽器構造知識をSAMの汎用知識と明確に統合する新しいSAM効率的なチューニング手法であるStuial Part-SAMを提案する。
  論文  参考訳（メタデータ） (2023-12-22T07:17:51Z)
• ASLseg: Adapting SAM in the Loop for Semi-supervised Liver Tumor Segmentation [2.3617131367115705]
  肝腫瘍の分節化は, コンピュータ診断, 手術計画, 予後評価に必須である。 セミ・スーパーバイザード・ラーニング(SSL)はこれらの課題に対処するための一般的なテクニックである。 我々は、SAMをSSL設定に効果的に適応できる新しい半教師付きフレームワーク ASLseg を提案する。
  論文  参考訳（メタデータ） (2023-12-13T08:31:26Z)
• Beyond Adapting SAM: Towards End-to-End Ultrasound Image Segmentation via Auto Prompting [10.308637269138146]
  超音波画像分割に適したユニバーサルモデルとしてSAMUSを提案する。 さらに、AutoSAMUSと表記されるエンドツーエンドで動作できるようにします。 AutoSAMUSは、SAMUSのマニュアルプロンプトエンコーダを置き換えるために自動プロンプトジェネレータ(APG)を導入することで実現されている。
  論文  参考訳（メタデータ） (2023-09-13T09:15:20Z)
• SurgicalSAM: Efficient Class Promptable Surgical Instrument Segmentation [65.52097667738884]
  そこで本研究では,SAMの知識と外科的特異的情報を統合し,汎用性を向上させるための,新しいエンドツーエンドの効率的なチューニング手法であるScientialSAMを紹介した。 具体的には,タイピングのための軽量なプロトタイプベースクラスプロンプトエンコーダを提案し,クラスプロトタイプから直接プロンプト埋め込みを生成する。 また,手術器具カテゴリー間のクラス間差異の低さに対応するために,コントラッシブなプロトタイプ学習を提案する。
  論文  参考訳（メタデータ） (2023-08-17T02:51:01Z)
• AdaptiveSAM: Towards Efficient Tuning of SAM for Surgical Scene Segmentation [49.59991322513561]
  本稿では,新しいデータセットに迅速かつ効率的に適応できるSegment-Anything(SAM)の適応的な修正を提案する。 AdaptiveSAMは、フリーフォームテキストをプロンプトとして使用し、ラベル名のみをプロンプトとして、興味のあるオブジェクトをセグメント化することができる。 実験の結果,AdaptiveSAMは様々な医用画像データセットの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-07T17:12:54Z)
• Segment Anything Model (SAM) for Radiation Oncology [13.556384944315958]
  臨床放射線治療におけるSegment Anything Model(SAM)の有用性について検討した。 以上の結果から,SAMのセグメンテーション・モードは,ほとんどの臓器・リスク(OAR)において臨床的に許容できるセグメンテーションを達成できることが示唆された。 臓器の大きさと境界の明快さを考えると、SAMは明確な境界を持つ大きな臓器ではより良い性能を示すが、境界が不明瞭な小さな臓器ではより悪い性能を示す。
  論文  参考訳（メタデータ） (2023-06-20T17:59:14Z)

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。