論文の概要: SAM2-3dMed: Empowering SAM2 for 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.08967v1
• Date: Fri, 10 Oct 2025 03:23:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.090884
• Title: SAM2-3dMed: Empowering SAM2 for 3D Medical Image Segmentation
• Title（参考訳）: SAM2-3dMed: SAM2を3次元医用画像セグメンテーションに活用
• Authors: Yeqing Yang, Le Xu, Lixia Tian,
• Abstract要約: SAM2-3dMed を3次元医用画像に応用した SAM2-3dMed を提案する。 スライス相対位置予測(SRPP)モジュールは、双方向のスライス間の依存関係を明示的にモデル化する。 境界検出(Bundary Detection, BD)モジュールは、重要な臓器と組織の境界に沿ったセグメンテーションの精度を高める。 提案手法は,3次元医用画像のセグメンテーション性能を向上するだけでなく,映像中心の基礎モデルを空間データに適用するための一般的なパラダイムを提供する。
• 参考スコア（独自算出の注目度）: 7.646703242040606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of 3D medical images is critical for clinical applications like disease assessment and treatment planning. While the Segment Anything Model 2 (SAM2) has shown remarkable success in video object segmentation by leveraging temporal cues, its direct application to 3D medical images faces two fundamental domain gaps: 1) the bidirectional anatomical continuity between slices contrasts sharply with the unidirectional temporal flow in videos, and 2) precise boundary delineation, crucial for morphological analysis, is often underexplored in video tasks. To bridge these gaps, we propose SAM2-3dMed, an adaptation of SAM2 for 3D medical imaging. Our framework introduces two key innovations: 1) a Slice Relative Position Prediction (SRPP) module explicitly models bidirectional inter-slice dependencies by guiding SAM2 to predict the relative positions of different slices in a self-supervised manner; 2) a Boundary Detection (BD) module enhances segmentation accuracy along critical organ and tissue boundaries. Extensive experiments on three diverse medical datasets (the Lung, Spleen, and Pancreas in the Medical Segmentation Decathlon (MSD) dataset) demonstrate that SAM2-3dMed significantly outperforms state-of-the-art methods, achieving superior performance in segmentation overlap and boundary precision. Our approach not only advances 3D medical image segmentation performance but also offers a general paradigm for adapting video-centric foundation models to spatial volumetric data.
• Abstract（参考訳）: 3次元医用画像の正確なセグメンテーションは、疾患評価や治療計画などの臨床応用に不可欠である。 Segment Anything Model 2 (SAM2) は時間的手がかりを生かして映像オブジェクトのセグメンテーションにおいて顕著な成功を収めている。 1)スライス間の双方向解剖的連続性はビデオの一方向側方流と鋭く対比し、 2) ビデオ作業において, 形態素解析に不可欠な正確な境界線化が過小評価されることが多かった。 これらのギャップを埋めるために,SAM2-3dMedを提案する。 私たちのフレームワークには2つの重要なイノベーションがあります。 1) スライス相対位置予測(SRPP)モジュールは,異なるスライスの相対位置を自己監督的に予測するためにSAM2を誘導することにより,双方向スライス間の依存関係を明示的にモデル化する。 2) 境界検出(BD)モジュールは, 重要な臓器と組織の境界に沿ったセグメンテーションの精度を高める。 3つの多様な医療データセット(Lung, Spleen, Pancreas in the Medical Segmentation Decathlon (MSD) データセット)に対する大規模な実験により、SAM2-3dMedは最先端の手法よりも優れ、セグメンテーションの重複と境界精度において優れた性能を達成していることが示された。 提案手法は, 医用画像のセグメンテーション性能を向上するだけでなく, 空間体積データにビデオ中心の基礎モデルを適用するための一般的なパラダイムを提供する。

関連論文リスト

• TAGS: 3D Tumor-Adaptive Guidance for SAM [20.390209826784087]
  本稿では, SAM 用腫瘍適応ガイダンス (TAGS: tumor Adaptive Guidance for SAM) という適応フレームワークを提案する。 マルチプロンプト融合により、2D FMを3D医療タスクにアンロックする。 我々のモデルは最先端の医療画像セグメンテーションモデルを上回る。
  論文  参考訳（メタデータ） (2025-05-21T04:02:17Z)
• DB-SAM: Delving into High Quality Universal Medical Image Segmentation [100.63434169944853]
  本稿では,2次元医療データと2次元医療データとのギャップを埋めるために,DB-SAMという二分岐型SAMフレームワークを提案する。 文献における最近の医療用SAMアダプタと比較して,DB-SAMは8.8%向上した。
  論文  参考訳（メタデータ） (2024-10-05T14:36:43Z)
• Interactive 3D Medical Image Segmentation with SAM 2 [17.523874868612577]
  ビデオで訓練した次世代のMeta SAMモデルSAM 2のゼロショット機能について, 医用画像のセグメンテーションについて検討する。 3D画像のシーケンシャルな2Dスライスをビデオフレームとして扱うことで、SAM 2は単一のフレームから3Dボリューム全体へのアノテーションの完全な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-08-05T16:58:56Z)
• Medical SAM 2: Segment medical images as video via Segment Anything Model 2 [17.469217682817586]
  医用SAM2(MedSAM-2)は,汎用的な2次元および3次元の医用画像セグメンテーションのための自動追跡モデルである。 われわれはMedSAM-2を5つの2Dタスクおよび9つの3Dタスク、例えば、白血球、視神経、網膜血管、下顎骨、冠動脈、腎臓腫瘍、肝腫瘍、乳癌、鼻咽喉頭癌、前庭シュワン、縦隔リンパ結節、大脳動脈、歯槽下神経、腹部臓器などについて評価した。
  論文  参考訳（メタデータ） (2024-08-01T18:49:45Z)
• Segment anything model 2: an application to 2D and 3D medical images [16.253160684182895]
  Segment Anything Model (SAM) は、プロンプトが与えられた画像に様々なオブジェクトをセグメント化できるため、注目されている。 最近開発されたSAM 2は、この機能をビデオ入力に拡張した。 これにより、SAMを3D画像に適用する機会が開ける。
  論文  参考訳（メタデータ） (2024-08-01T17:57:25Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• 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)
• 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)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)

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。