論文の概要: E-BayesSAM: Efficient Bayesian Adaptation of SAM with Self-Optimizing KAN-Based Interpretation for Uncertainty-Aware Ultrasonic Segmentation

• arxiv url: http://arxiv.org/abs/2508.17408v1
• Date: Sun, 24 Aug 2025 15:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.512741
• Title: E-BayesSAM: Efficient Bayesian Adaptation of SAM with Self-Optimizing KAN-Based Interpretation for Uncertainty-Aware Ultrasonic Segmentation
• Title（参考訳）: E-BayesSAM:不確実性を考慮した超音波セグメンテーションのための自己最適化KAによるSAMの効率よいベイズ適応
• Authors: Bin Huang, Zhong Liu, Huiying Wen, Bingsheng Huang, Xin Chen, Shuo Li,
• Abstract要約: E-BayesSAMは、効率的なベイズ適応のためのToken-wise Variational Bayesian Inference (T-VBI)と、解釈性を改善するための自己最適化のKolmogorov-Arnold Network (SO-KAN)を組み合わせた効率的なフレームワークである。 効率、信頼性、解釈性を統一することで、E-BayesSAMはSAMの汎用性と臨床ニーズを橋渡しし、安全クリティカルな医療応用への展開を進める。
• 参考スコア（独自算出の注目度）: 14.052832670347778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although the Segment Anything Model (SAM) has advanced medical image segmentation, its Bayesian adaptation for uncertainty-aware segmentation remains hindered by three key issues: (1) instability in Bayesian fine-tuning of large pre-trained SAMs; (2) high computation cost due to SAM's massive parameters; (3) SAM's black-box design limits interpretability. To overcome these, we propose E-BayesSAM, an efficient framework combining Token-wise Variational Bayesian Inference (T-VBI) for efficienty Bayesian adaptation and Self-Optimizing Kolmogorov-Arnold Network (SO-KAN) for improving interpretability. T-VBI innovatively reinterprets SAM's output tokens as dynamic probabilistic weights and reparameterizes them as latent variables without auxiliary training, enabling training-free VBI for uncertainty estimation. SO-KAN improves token prediction with learnable spline activations via self-supervised learning, providing insight to prune redundant tokens to boost efficiency and accuracy. Experiments on five ultrasound datasets demonstrated that E-BayesSAM achieves: (i) real-time inference (0.03s/image), (ii) superior segmentation accuracy (average DSC: Pruned E-BayesSAM's 89.0\% vs. E-BayesSAM's 88.0% vs. MedSAM's 88.3%), and (iii) identification of four critical tokens governing SAM's decisions. By unifying efficiency, reliability, and interpretability, E-BayesSAM bridges SAM's versatility with clinical needs, advancing deployment in safety-critical medical applications. The source code is available at https://github.com/mp31192/E-BayesSAM.
• Abstract（参考訳）: Segment Anything Model (SAM) は高度な医用画像セグメンテーションを持っているが、その不確実性を認識したセグメンテーションに対するベイズ適応は、(1)大きな事前訓練されたSAMのベイズ微調整の不安定性、(2)SAMの膨大なパラメータによる高い計算コスト、(3)SAMのブラックボックス設計は解釈可能性を制限する3つの主要な問題によって妨げられている。 そこで本稿では,効率的なベイズ適応のためのToken-wise Variational Bayesian Inference(T-VBI)と,解釈性向上のための自己最適化Kolmogorov-Arnold Network(SO-KAN)を組み合わせた効率的なフレームワークであるE-BayesSAMを提案する。 T-VBIはSAMの出力トークンを動的確率重みとして革新的に再解釈し、補助訓練なしで潜伏変数として再パラメータ化し、不確実性推定のためのトレーニング不要なVBIを可能にする。 SO-KANは、自己教師付き学習による学習可能なスプラインアクティベーションによるトークン予測を改善し、冗長トークンをプーンして効率と精度を高めるための洞察を提供する。 5つの超音波データセットの実験により、E-BayesSAMは以下の結果を得た。 (i)リアルタイム推論(0.03s/image) (ii)優れたセグメンテーション精度(平均DSC:Pruned E-BayesSAM's 89.0\% vs. E-BayesSAM's 88.0% vs. MedSAM's 88.3%)、および 三 SAMの決定を規定する4つの重要なトークンの識別。 効率、信頼性、解釈性を統一することで、E-BayesSAMはSAMの汎用性と臨床ニーズを橋渡しし、安全クリティカルな医療応用への展開を進める。 ソースコードはhttps://github.com/mp31192/E-BayesSAMで入手できる。

関連論文リスト

• Focal-SAM: Focal Sharpness-Aware Minimization for Long-Tailed Classification [113.6840565194525]
  実世界のデータセットは長い尾の分布に従うことが多く、尾のクラスへの一般化は困難である。 近年,ロスランドスケープを平坦化して一般化を改善するため,シャープネス・アウェア最小化法 (SAM) の長尾変種を利用した手法が提案されている。 クラスごとに異なる罰則を割り当てるFocal-SAMを導入し、余分なバックプロパゲーションを伴わずにきめ細かい制御を実現する。
  論文  参考訳（メタデータ） (2025-05-03T03:01:28Z)
• RFMedSAM 2: Automatic Prompt Refinement for Enhanced Volumetric Medical Image Segmentation with SAM 2 [15.50695315680438]
  Segment Anything Model 2 (SAM2)は、SAMを画像ドメインとビデオドメインの両方に拡張するプロンプト駆動基盤モデルである。 しかしSAMと同様、SAM 2はバイナリマスクの出力、セマンティックラベルの推論ができないこと、ターゲットのオブジェクト領域の正確なプロンプトへの依存によって制限されている。 我々は、カスタムの微調整アダプタを用いてSAM 2の上限値について検討し、BTCVデータセット上で92.30%のDice similarity Coefficient(DSC)を達成する。
  論文  参考訳（メタデータ） (2025-02-04T22:03:23Z)
• SAMPa: Sharpness-aware Minimization Parallelized [51.668052890249726]
  シャープネス認識(SAM)はニューラルネットワークの一般化を改善することが示されている。 SAMの更新には2つの勾配を瞬時に計算する必要がある。 我々は,SAMPaと呼ばれるSAMの簡単な修正を提案し,この2つの勾配計算を完全に並列化することができる。
  論文  参考訳（メタデータ） (2024-10-14T16:21:23Z)
• PAM: A Propagation-Based Model for Segmenting Any 3D Objects across Multi-Modal Medical Images [11.373941923130305]
  PAM(Propagating Anything Model)は、境界ボックスやスケッチのような2Dプロンプトを使用して、医療画像ボリュームの完全な3Dセグメンテーションを作成するセグメンテーションアプローチである。 MedSAMやSegVolのような既存のモデルでは、44の医療データセットと様々な種類のオブジェクトに対して平均18.1%以上のダイス類似度係数(DSC)が向上した。
  論文  参考訳（メタデータ） (2024-08-25T13:42:47Z)
• Stable Segment Anything Model [79.9005670886038]
  SAM(Segment Anything Model)は、高品質なプロンプトが与えられた場合、顕著に迅速なセグメンテーションを実現する。 本稿では,SAMのセグメンテーション安定性について,多様なプロンプト特性のスペクトルにわたって包括的解析を行った。 1)SAMのセグメンテーション安定性を広範囲に改善し,2)SAMの強力なセグメンテーション効率と一般化を維持した。
  論文  参考訳（メタデータ） (2023-11-27T12:51:42Z)
• SAM-U: Multi-box prompts triggered uncertainty estimation for reliable SAM in medical image [29.063412868961098]
  そこで本研究では, SAM cues に対するマルチボックスプロンプトによる不確実性評価を行い, セグメント状病変や組織に対する信頼性を実証する。 実験の結果,マルチボックスによりSAM性能が向上し,各画素に不確かさが認められた。
  論文  参考訳（メタデータ） (2023-07-11T02:27:45Z)
• Efficient Sharpness-aware Minimization for Improved Training of Neural Networks [146.2011175973769]
  本稿では,SAM s の効率を高コストで向上する高効率シャープネス認識最小化器 (M) を提案する。 Mには、Stochastic Weight PerturbationとSharpness-Sensitive Data Selectionという、2つの新しい効果的なトレーニング戦略が含まれている。 我々は、CIFARとImageNetデータセットの広範な実験を通して、ESAMはSAMよりも100%余分な計算を40%のvis-a-visベースに必要とせずに効率を向上させることを示した。
  論文  参考訳（メタデータ） (2021-10-07T02:20:37Z)

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。