論文の概要: SAM-DCE: Addressing Token Uniformity and Semantic Over-Smoothing in Medical Segmentation
- arxiv url: http://arxiv.org/abs/2509.16886v1
- Date: Sun, 21 Sep 2025 02:39:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.019429
- Title: SAM-DCE: Addressing Token Uniformity and Semantic Over-Smoothing in Medical Segmentation
- Title（参考訳）: SAM-DCE : 医用セグメンテーションにおけるToken UniformityとSemantic Over-Smoothingの対応
- Authors: Yingzhen Hu, Yiheng Zhong, Ruobing Li, Yingxue Su, Jiabao An, Feilong Tang, Jionglong Su, Imran Razzak,
- Abstract要約: Segment Anything Model (SAM)は、自然画像に印象的なゼロショットセグメンテーション能力を示す。
SAMは、ドメインシフト、解剖学的多様性、およびユーザが提供するプロンプトに依存するため、医療画像の困難に遭遇する。
トークンの均一性を緩和し、クラス間分離性を高め、きめ細かな一貫した表現でマスクデコードを強化しながら、局所的な識別とグローバルな意味のバランスをとるSAM-DCEを提案する。
- 参考スコア（独自算出の注目度）: 21.575506470602736
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Segment Anything Model (SAM) demonstrates impressive zero-shot segmentation ability on natural images but encounters difficulties in medical imaging due to domain shifts, anatomical variability, and its reliance on user-provided prompts. Recent prompt-free adaptations alleviate the need for expert intervention, yet still suffer from limited robustness and adaptability, often overlooking the issues of semantic over-smoothing and token uniformity. We propose SAM-DCE, which balances local discrimination and global semantics while mitigating token uniformity, enhancing inter-class separability, and enriching mask decoding with fine-grained, consistent representations. Extensive experiments on diverse medical benchmarks validate its effectiveness.
- Abstract（参考訳）: Segment Anything Model (SAM)は、自然画像に印象的なゼロショットセグメンテーション能力を示すが、ドメインシフト、解剖学的変動、およびユーザが提供するプロンプトへの依存による医療画像の困難に遭遇する。
近年のプロンプトフリー適応は専門家の介入の必要性を緩和するが、それでも限定的な堅牢性と適応性に悩まされ、しばしば意味的過密性とトークンの均一性の問題を見落としている。
トークンの均一性を緩和し、クラス間分離性を高め、きめ細かな一貫した表現でマスクデコードを強化しながら、局所的な識別とグローバルな意味のバランスをとるSAM-DCEを提案する。
多様な医療ベンチマークに関する大規模な実験は、その有効性を検証する。
関連論文リスト
- SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation [18.723160085156717]
医用画像セグメンテーションのための効率的かつ適応的なフレームワークであるSegMoTEを提案する。
SegMoTEはSAMの本来のプロンプトインタフェース、効率的な推論、ゼロショットの一般化を保存している。
SegMoTEは、多様な画像モダリティと解剖学的タスクにわたってSOTA性能を達成する。
論文 参考訳（メタデータ） (2026-02-22T14:48:42Z) - Uncertainty-Aware Vision-Language Segmentation for Medical Imaging [12.545486211087791]
医療診断のための新しい不確実性を考慮したマルチモーダルセグメンテーションフレームワークを提案する。
本稿では,高効率なクロスモーダル融合を実現するために,軽量なステートスペースミキサ(SSMix)を備えたModality Decoding Attention Block (MoDAB)を提案する。
本研究は,視覚言語医学的セグメンテーションタスクにおいて,不確実性モデリングと構造化モダリティアライメントを取り入れることの重要性を強調した。
論文 参考訳（メタデータ） (2026-02-16T06:27:51Z) - Diffusion-Guided Mask-Consistent Paired Mixing for Endoscopic Image Segmentation [57.37991748282666]
本稿では, 試料混合と拡散合成の強度を融合した拡散誘導型パラダイムを提案する。
各実画像について、合成対を同じマスクの下で生成し、その対をマスク一貫性ペアドミキシング(MCPMix)の制御可能な入力として使用する。
これは、共有幾何学の下で合成および実際の外観を円滑にブリッジする中間サンプルの連続的な族を生成する。
論文 参考訳（メタデータ） (2025-11-05T06:14:19Z) - A Probabilistic Segment Anything Model for Ambiguity-Aware Medical Image Segmentation [0.790660895390689]
我々はSegment Anything Model(SAM)の確率的拡張である確率的SAMを紹介する。
潜在変数空間を組み込んで変動目的のトレーニングを行うことで,本モデルは多様かつ妥当なセグメンテーションマスクを生成することを学ぶ。
LIDC-IDRI肺結節データセットを用いて確率的SAMを評価し,専門家の不一致に対応する多様なアウトプットを生成する能力を実証した。
論文 参考訳（メタデータ） (2025-09-06T19:02:53Z) - Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。
MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
論文 参考訳（メタデータ） (2025-08-07T03:41:41Z) - SAM-aware Test-time Adaptation for Universal Medical Image Segmentation [27.96281051256966]
本研究では、SAMの一般化を保ちながら、テストタイムフレームワークによる医用画像のセグメンテーション性能を向上させるパイプラインであるSAM-Aware Test-Time Adaptation (SAM-TTA)を提案する。
本フレームワークは,(1)単一チャネルの医用画像から3チャンネルのSAM対応入力へ適応的に変換する自己適応型ベジエ曲線変換(SBCT)と,(2)SAMの内部表現を医用意味論に整合させるために整合性学習を利用するDual-scale Uncertainty-driven Mean Teacher adaptation(DUMT)からなる。
論文 参考訳（メタデータ） (2025-06-05T16:38:16Z) - Promptable Anomaly Segmentation with SAM Through Self-Perception Tuning [63.55145330447408]
異常セグメンテーションのための textbfSelf-textbfPerceptinon textbfTuning (textbfSPT) 法を提案する。
SPT法は, 自己描画型チューニング戦略を取り入れ, 異常マスクの初期粗いドラフトを生成し, 精製処理を行う。
論文 参考訳（メタデータ） (2024-11-26T08:33:25Z) - Uncertainty-Aware Adapter: Adapting Segment Anything Model (SAM) for Ambiguous Medical Image Segmentation [20.557472889654758]
Segment Anything Model (SAM) は自然画像のセグメンテーションにおいて大きな成功を収めた。
自然画像とは異なり、医療画像の多くの組織や病変はぼやけており、曖昧である可能性がある。
本研究では,不確実性を認識した医療画像のセグメンテーションのためにSAMを効率よく微調整するUncertainty-aware Adapterという新しいモジュールを提案する。
論文 参考訳（メタデータ） (2024-03-16T14:11:54Z) - SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage
Segmentation [18.867207134086193]
脳梗塞診断と手術計画において,頭蓋内出血分節は重要かつ困難なステップである。
そこで我々は,脳内出血セグメンテーションのためのSAM-based parameter- efficient fine-tuning法(SAMIHS)を提案する。
2つの公開データセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-11-14T14:23:09Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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） (2023-04-10T17:58:22Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。