論文の概要: nnSAM2: nnUNet-Enhanced One-Prompt SAM2 for Few-shot Multi-Modality Segmentation and Composition Analysis of Lumbar Paraspinal Muscles

• arxiv url: http://arxiv.org/abs/2510.05555v1
• Date: Tue, 07 Oct 2025 03:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-27 22:13:09.31103
• Title: nnSAM2: nnUNet-Enhanced One-Prompt SAM2 for Few-shot Multi-Modality Segmentation and Composition Analysis of Lumbar Paraspinal Muscles
• Title（参考訳）: nnSAM2: nnUNet-Enhanced One-Prompt SAM2 for Few-shot Multi-Modality Segmentation and composition Analysis of Lumbar Paraspinal muscles
• Authors: Zhongyi Zhang, Julie A. Hides, Enrico De Martino, Abdul Joseph Fofanah, Gervase Tuxworth,
• Abstract要約: No-New SAM2 (nnsam2) は多目的腰椎脊髄筋(LPM)セグメンテーションのための数発の枠組みである。 6つのデータセットにわたる722人の参加者から1,219件のスキャンを振り返って分析した。 nnsam2は、バニラSAM2、医療用変種であるTotalSegmentator、および主要な数発撮影法より優れ、MR画像では0.94-0.96、CTでは0.92-0.93のDSCを達成した。
• 参考スコア（独自算出の注目度）: 5.051796368536088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To develop and validate No-New SAM2 (nnsam2) for few-shot segmentation of lumbar paraspinal muscles using only a single annotated slice per dataset, and to assess its statistical comparability with expert measurements across multi-sequence MRI and multi-protocol CT. Methods: We retrospectively analyzed 1,219 scans (19,439 slices) from 762 participants across six datasets. Six slices (one per dataset) served as labeled examples, while the remaining 19,433 slices were used for testing. In this minimal-supervision setting, nnsam2 used single-slice SAM2 prompts to generate pseudo-labels, which were pooled across datasets and refined through three sequential, independent nnU-Net models. Segmentation performance was evaluated using the Dice similarity coefficient (DSC), and automated measurements-including muscle volume, fat ratio, and CT attenuation-were assessed with two one-sided tests (TOST) and intraclass correlation coefficients (ICC). Results: nnsam2 outperformed vanilla SAM2, its medical variants, TotalSegmentator, and the leading few-shot method, achieving DSCs of 0.94-0.96 on MR images and 0.92-0.93 on CT. Automated and expert measurements were statistically equivalent for muscle volume (MRI/CT), CT attenuation, and Dixon fat ratio (TOST, P < 0.05), with consistently high ICCs (0.86-1.00). Conclusion: We developed nnsam2, a state-of-the-art few-shot framework for multi-modality LPM segmentation, producing muscle volume (MRI/CT), attenuation (CT), and fat ratio (Dixon MRI) measurements that were statistically comparable to expert references. Validated across multimodal, multicenter, and multinational cohorts, and released with open code and data, nnsam2 demonstrated high annotation efficiency, robust generalizability, and reproducibility.
• Abstract（参考訳）: 目的:No-New SAM2 (nnsam2) を1データセットあたり1つの注釈付きスライスのみを用いて数発の腰椎傍脊髄筋の切片分割に対して開発し, 評価し, 多列MRIおよびマルチプロトコールCTを用いて, その統計的適合性を評価すること。 方法: 6つのデータセットにわたる722人の参加者から1,219のスキャン(19,439スライス)を振り返って分析した。 6つのスライス(1データセット当たり1個)がラベル付き例として機能し、残りの19,433個のスライスがテストに使用された。 この最小限のスーパービジョン設定では、nnsam2はシングルスライスSAM2プロンプトを使用して擬似ラベルを生成する。 Dice similarity coefficient (DSC) を用いてセグメンテーション性能を評価し, 片側試験 (TOST) とクラス内相関係数 (ICC) による自動測定, 筋容積, 脂肪比, CT減衰率を測定した。 結果: nnsam2 はバニラSAM2, 医療用変種であるTotalSegmentator, および先進的な数点撮影法に優れ, MR画像では 0.94-0.96 , CTでは 0.92-0.93 であった。 自動および専門的測定は、筋容積(MRI/CT)、CT減衰、ディクソン脂肪比(TOST, P < 0.05)に統計的に等価であり、常に高いICC(0.86-1.00)であった。 結語: nnsam2は多相性LPMセグメンテーションのための最先端のマイクロショットフレームワークで, 筋容積(MRI/CT), 減衰(CT), 脂肪比(Dixon MRI)を計測し, 専門的基準と統計的に比較した。 マルチモーダル、マルチセンター、多国籍コホートにまたがって検証され、オープンコードとデータによってリリースされ、nnsam2は高いアノテーション効率、堅牢な一般化性、再現性を示した。

関連論文リスト

• MOIS-SAM2: Exemplar-based Segment Anything Model 2 for multilesion interactive segmentation of neurofibromas in whole-body MRI [0.0]
  神経線維腫症1型(英: Neurofibromatosis type 1)は、多くの神経線維腫(NF)が全身に発達するのを特徴とする遺伝疾患である。 本研究では,この課題に合わせた対話型セグメンテーションモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-23T17:42:24Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy [0.0]
  本研究の目的は, 小児上腹部腫瘍におけるOAR (delineating organs-at-risk) のCTによる多臓器分割モデルを構築することであった。 Dice similarity Coefficient (DSC) 95% Hausdorff Distance (HD95) および平均表面距離 (MSD) を用いて評価した。 Model-PMC-UMCUは9つのOARのうち、0.95以上であり、脾臓と心臓は0.90から0.95の範囲であった。 胃と膵のDSC値は0.90未満であった。
  論文  参考訳（メタデータ） (2024-11-01T13:54:31Z)
• 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)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。