論文の概要: SAMSA: Segment Anything Model Enhanced with Spectral Angles for Hyperspectral Interactive Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2507.23673v1
- Date: Thu, 31 Jul 2025 15:49:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:10.040315
- Title: SAMSA: Segment Anything Model Enhanced with Spectral Angles for Hyperspectral Interactive Medical Image Segmentation
- Title（参考訳）: SAMSA:ハイパースペクトル・インタラクティブな医用画像分割のためのスペクトル角強化型セグメンテーションモデル
- Authors: Alfie Roddan, Tobias Czempiel, Chi Xu, Daniel S. Elson, Stamatia Giannarou,
- Abstract要約: 本稿では,RGB基盤モデルとスペクトル解析を組み合わせた対話型セグメンテーションフレームワークSAMSAを紹介する。
公開データセットのパフォーマンス評価は81.0%の1クリック、93.4%の5クリックDICEを示している。
提案手法は,スペクトル特性の異なるデータセットのシームレスな統合を可能にし,ハイパースペクトル医用画像解析のための柔軟なフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 5.9804425273111095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperspectral imaging (HSI) provides rich spectral information for medical imaging, yet encounters significant challenges due to data limitations and hardware variations. We introduce SAMSA, a novel interactive segmentation framework that combines an RGB foundation model with spectral analysis. SAMSA efficiently utilizes user clicks to guide both RGB segmentation and spectral similarity computations. The method addresses key limitations in HSI segmentation through a unique spectral feature fusion strategy that operates independently of spectral band count and resolution. Performance evaluation on publicly available datasets has shown 81.0% 1-click and 93.4% 5-click DICE on a neurosurgical and 81.1% 1-click and 89.2% 5-click DICE on an intraoperative porcine hyperspectral dataset. Experimental results demonstrate SAMSA's effectiveness in few-shot and zero-shot learning scenarios and using minimal training examples. Our approach enables seamless integration of datasets with different spectral characteristics, providing a flexible framework for hyperspectral medical image analysis.
- Abstract（参考訳）: ハイパースペクトルイメージング(HSI)は医用画像に豊富なスペクトル情報を提供するが、データ制限とハードウェアのバリエーションのために大きな課題に直面する。
本稿では,RGB基盤モデルとスペクトル解析を組み合わせた対話型セグメンテーションフレームワークSAMSAを紹介する。
SAMSAはユーザクリックを利用してRGBセグメンテーションとスペクトル類似性計算の両方をガイドする。
この手法は、スペクトルバンド数と分解能とは独立に動作する独自のスペクトル特徴融合戦略を通じて、HSIセグメンテーションにおける鍵となる制限に対処する。
一般に公開されているデータセットのパフォーマンス評価では、神経外科では81.0%の1クリック、5クリックのDICEが93.4%、術中のブタのハイパースペクトルデータセットでは81.1%の1クリック、5クリックのDICEが89.2%である。
実験により, SAMSA の有効性を, 少数ショット, ゼロショットの学習シナリオと最小限のトレーニング例を用いて実証した。
提案手法は,スペクトル特性の異なるデータセットのシームレスな統合を可能にし,ハイパースペクトル医用画像解析のための柔軟なフレームワークを提供する。
関連論文リスト
- A Hyperspectral Imaging Dataset and Methodology for Intraoperative Pixel-Wise Classification of Metastatic Colon Cancer in the Liver [0.0]
ハイパースペクトルイメージングは、計算病理学の分野を変える大きな可能性を秘めている。
現在、ディープラーニング(DL)モデルのトレーニングに必要な画素単位の注釈付きHSIデータが不足している。
肝転移14例から収集したヘマトキシリン-エオシン染色凍結部27HSIのデータベースを報告する。
論文 参考訳（メタデータ） (2024-11-11T13:17:55Z) - 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) - Scribble-Based Interactive Segmentation of Medical Hyperspectral Images [4.675955891956077]
本研究は、医用ハイパースペクトル画像のためのスクリブルベースのインタラクティブセグメンテーションフレームワークを導入する。
提案手法は,特徴抽出のための深層学習と,ユーザが提供するスクリブルから生成された測地距離マップを利用する。
論文 参考訳（メタデータ） (2024-08-05T12:33:07Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - Zero-shot performance of the Segment Anything Model (SAM) in 2D medical
imaging: A comprehensive evaluation and practical guidelines [0.13854111346209866]
Segment Anything Model (SAM)は、大規模なトレーニングデータセットを使用して、ほぼすべてのオブジェクトをセグメント化する。
この結果から,SAMのゼロショット性能は,現在の最先端技術に匹敵するものであることが判明した。
我々は、一貫して堅牢な結果をもたらしながら、最小限の相互作用を必要とする実践的ガイドラインを提案する。
論文 参考訳（メタデータ） (2023-04-28T22:07:24Z) - Generalist Vision Foundation Models for Medical Imaging: A Case Study of
Segment Anything Model on Zero-Shot Medical Segmentation [5.547422331445511]
9つの医用画像セグメンテーションベンチマークにおいて,定量および定性的ゼロショットセグメンテーションの結果を報告する。
本研究は,医用画像における一般視基盤モデルの汎用性を示すものである。
論文 参考訳（メタデータ） (2023-04-25T08:07:59Z) - Hyperspectral Image Segmentation based on Graph Processing over
Multilayer Networks [51.15952040322895]
ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。
M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。
HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
論文 参考訳（メタデータ） (2021-11-29T23:28:18Z) - Robust deep learning-based semantic organ segmentation in hyperspectral
images [29.342448910787773]
開腹手術で得られたスペクトル画像データに基づく全シーンのセマンティックセマンティックセマンティクスは,現在までほとんど注目されていない。
開腹手術で得られた豚のハイパースペクトルイメージング(HSI)データに基づく以下の研究課題について検討する。
完全自動手術シーン理解において,HSIは強力な画像モダリティとなる可能性が示唆された。
論文 参考訳（メタデータ） (2021-11-09T20:37:38Z) - Cross-Spectral Periocular Recognition with Conditional Adversarial
Networks [59.17685450892182]
本研究では,近赤外・近赤外スペクトル間の近赤外画像の変換を訓練した条件付き生成逆相関ネットワークを提案する。
EER=1%, GAR>99% @ FAR=1%, ポリUデータベースの最先端技術に匹敵するスペクトル近視性能を得た。
論文 参考訳（メタデータ） (2020-08-26T15:02:04Z)
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。