論文の概要: Towards Affordable Tumor Segmentation and Visualization for 3D Breast MRI Using SAM2

• arxiv url: http://arxiv.org/abs/2507.23272v1
• Date: Thu, 31 Jul 2025 06:15:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.128156
• Title: Towards Affordable Tumor Segmentation and Visualization for 3D Breast MRI Using SAM2
• Title（参考訳）: SAM2を用いた3次元乳腺MRIにおける腫瘍分離と可視化に向けて
• Authors: Solha Kang, Eugene Kim, Joris Vankerschaver, Utku Ozbulak,
• Abstract要約: 乳房MRIにおける低出力の3次元腫瘍セグメント化にSAM2が適用可能であるか検討した。 我々は,3次元ボリュームのセグメンテーション予測を,トップ・ツー・ボトム,ボトム・トゥ・トップ,センター・アウトの3種類のスライス・ワイズ・トラッキング戦略を用いて伝達する。 ボリューム医療データのために訓練されていないゼロショットモデルにもかかわらず、SAM2は最小限の監督下で強力なセグメンテーション性能を達成する。
• 参考スコア（独自算出の注目度）: 1.31995111981289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast MRI provides high-resolution volumetric imaging critical for tumor assessment and treatment planning, yet manual interpretation of 3D scans remains labor-intensive and subjective. While AI-powered tools hold promise for accelerating medical image analysis, adoption of commercial medical AI products remains limited in low- and middle-income countries due to high license costs, proprietary software, and infrastructure demands. In this work, we investigate whether the Segment Anything Model 2 (SAM2) can be adapted for low-cost, minimal-input 3D tumor segmentation in breast MRI. Using a single bounding box annotation on one slice, we propagate segmentation predictions across the 3D volume using three different slice-wise tracking strategies: top-to-bottom, bottom-to-top, and center-outward. We evaluate these strategies across a large cohort of patients and find that center-outward propagation yields the most consistent and accurate segmentations. Despite being a zero-shot model not trained for volumetric medical data, SAM2 achieves strong segmentation performance under minimal supervision. We further analyze how segmentation performance relates to tumor size, location, and shape, identifying key failure modes. Our results suggest that general-purpose foundation models such as SAM2 can support 3D medical image analysis with minimal supervision, offering an accessible and affordable alternative for resource-constrained settings.
• Abstract（参考訳）: 乳腺MRIは腫瘍評価や治療計画に重要な高解像度の容積像を提供するが、3Dスキャンのマニュアル解釈は労働集約的で主観的のままである。 AIを利用したツールは医療画像分析の加速を約束するが、ライセンスコストの高騰、プロプライエタリなソフトウェア、インフラの要求などにより、低所得国や中所得国では商用の医療AI製品の採用が制限されている。 本研究は, 乳房MRIにおける低出力の3D腫瘍セグメンテーションにSegment Anything Model 2 (SAM2) を適用できるかどうかを検討するものである。 1つのスライスに1つのバウンディングボックスアノテーションを用いることで、トップ・ツー・ボトム、ボトム・トゥ・トップ、センター・アウトの3つの異なるスライス・ワイズ・トラッキング戦略を用いて、3次元ボリュームにわたってセグメンテーション予測を伝搬する。 我々は,これらの戦略を患者の大規模なコホートにわたって評価し,中心から外側への伝播が最も一貫性があり正確なセグメンテーションをもたらすことを発見した。 ボリューム医療データのために訓練されていないゼロショットモデルにもかかわらず、SAM2は最小限の監督下で強力なセグメンテーション性能を達成する。 さらに, セグメンテーション性能が腫瘍の大きさ, 位置, 形状にどのように関係しているかを解析し, キー故障モードの同定を行う。 この結果から,SAM2のような汎用基盤モデルは,最小限の監督力で3次元画像解析をサポートし,資源制約設定の容易かつ手頃な代替手段を提供する可能性が示唆された。

関連論文リスト

• Assessing Foundational Medical 'Segment Anything' (Med-SAM1, Med-SAM2) Deep Learning Models for Left Atrial Segmentation in 3D LGE MRI [0.0]
  心房細動(AF)は心不整脈の最も一般的な疾患であり、心不全や脳卒中と関連している。 多様なデータセットで事前トレーニングされたSegment Anything Model(SAM)のようなディープラーニングモデルは、ジェネリックセグメンテーションタスクにおいて有望であることを示している。 MedSAMモデルの可能性にもかかわらず、3D LGE-MRIにおけるLAセグメンテーションの複雑なタスクについてはまだ評価されていない。
  論文  参考訳（メタデータ） (2024-11-08T20:49:54Z)
• 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)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• 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)
• SAM3D: Segment Anything Model in Volumetric Medical Images [11.764867415789901]
  本稿では,3次元ボリューム画像解析に適した革新的適応であるSAM3Dを紹介する。 我々のSAM3Dモデルは、ボリュームを個別に2次元スライスに変換することでボリュームデータを分割する現在のSAMベース手法とは異なり、統一的なアプローチで全3次元ボリューム画像を処理する。
  論文  参考訳（メタデータ） (2023-09-07T06:05:28Z)
• 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)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)

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。