論文の概要: Fine-tuning Segment Anything for Real-Time Tumor Tracking in Cine-MRI

• arxiv url: http://arxiv.org/abs/2510.25990v1
• Date: Wed, 29 Oct 2025 21:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.584819
• Title: Fine-tuning Segment Anything for Real-Time Tumor Tracking in Cine-MRI
• Title（参考訳）: Cine-MRIにおけるリアルタイム腫瘍追跡のための微調整セグメント
• Authors: Valentin Boussot, Cédric Hémon, Jean-Claude Nunes, Jean-Louis Dillenseger,
• Abstract要約: 胸部・腹部領域のMRI画像におけるリアルタイム腫瘍追跡の課題について,データ不足の強い制約下での課題について検討した。 i)IMPACT類似度尺度による教師なし登録と(ii)SAM 2.1を利用した基礎モデルに基づくセグメンテーションの2つの補完戦略が検討された。 最終モデルは、微調整後の検証セット上で達成された最高Dice類似度係数に基づいて選択された。
• 参考スコア（独自算出の注目度）: 1.2560645967579729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we address the TrackRAD2025 challenge of real-time tumor tracking in cine-MRI sequences of the thoracic and abdominal regions under strong data scarcity constraints. Two complementary strategies were explored: (i) unsupervised registration with the IMPACT similarity metric and (ii) foundation model-based segmentation leveraging SAM 2.1 and its recent variants through prompt-based interaction. Due to the one-second runtime constraint, the SAM-based method was ultimately selected. The final configuration used SAM2.1 b+ with mask-based prompts from the first annotated slice, fine-tuned solely on the small labeled subset from TrackRAD2025. Training was configured to minimize overfitting, using 1024x1024 patches (batch size 1), standard augmentations, and a balanced Dice + IoU loss. A low uniform learning rate (0.0001) was applied to all modules (prompt encoder, decoder, Hiera backbone) to preserve generalization while adapting to annotator-specific styles. Training lasted 300 epochs (~12h on RTX A6000, 48GB). The same inference strategy was consistently applied across all anatomical sites and MRI field strengths. Test-time augmentation was considered but ultimately discarded due to negligible performance gains. The final model was selected based on the highest Dice Similarity Coefficient achieved on the validation set after fine-tuning. On the hidden test set, the model reached a Dice score of 0.8794, ranking 6th overall in the TrackRAD2025 challenge. These results highlight the strong potential of foundation models for accurate and real-time tumor tracking in MRI-guided radiotherapy.
• Abstract（参考訳）: 本研究では, 胸部, 腹部領域のMRI画像におけるTrackRAD2025によるリアルタイム腫瘍追跡の課題を, 強いデータ不足の制約下で解決する。 2つの補完戦略が検討された。 一 IMPACT類似度基準による無監督登録及び (II)SAM 2.1とその最近の変種を利用した基礎モデルに基づくセグメンテーション。 1秒のランタイム制約のため、SAMベースのメソッドが最終的に選択された。 最後の構成ではSAM2.1 b+と最初の注釈付きスライスからのマスクベースのプロンプトが使われ、トラックRAD2025の小さなラベル付きサブセットのみに微調整された。 トレーニングは1024x1024パッチ(バッチサイズ1)、標準拡張、バランスの取れたDice + IoU損失など、オーバーフィッティングを最小限に抑えるように設定された。 全モジュール(prompt encoder, decoder, Hiera backbone)に対して, アノテータ固有のスタイルに適応しながら, 一般化を保ちながら, 低均一学習率(0.0001)を適用した。 訓練は300エポック(RTX A6000で約12時間、48GB)続いた。 同じ推論戦略は、すべての解剖学的部位とMRI野の強さに一貫して適用された。 テストタイムの増大は考慮されたが、性能の低下により最終的に放棄された。 最終モデルは、微調整後の検証セット上で達成された最高Dice類似度係数に基づいて選択された。 隠しテストセットでは、Diceスコアが0.8794に達し、TrackRAD2025チャレンジで総合6位となった。 以上の結果から,MRI誘導放射線治療における腫瘍追跡の基礎モデルの有用性が示唆された。

関連論文リスト

• Why Registration Quality Matters: Enhancing sCT Synthesis with IMPACT-Based Registration [1.2560645967579729]
  我々のモデルは、ResNet-34エンコーダを備えた2.5D U-Net++であり、解剖学的領域間で共同で訓練され、各領域ごとに微調整されている。 ローカルテストセットでは、IMPACTベースの登録は相互情報ベースの登録よりも正確で解剖学的に整合性がある。
  論文  参考訳（メタデータ） (2025-10-24T11:40:21Z)
• EMA-SAM: Exponential Moving-average for SAM-based PTMC Segmentation [1.7674345486888503]
  EMA-SAMはSAM-2の軽量拡張で、信頼性に富んだ指数的移動平均ポインターをメモリバンクに組み込む。 PTMC-RFAデータセット(124分13人)では、EMA-SAMはEmphmaxDiceを0.82から0.86に改善し、emphmaxIoUを0.72から0.76に改善し、偽陽性を29%削減した。
  論文  参考訳（メタデータ） (2025-10-21T01:30:27Z)
• Revisiting Data Challenges of Computational Pathology: A Pack-based Multiple Instance Learning Framework [47.035885218675126]
  コンピュータ病理学(CPath)は、病理スライドを全スライド画像(WSI)にデジタル化する WSIは、非常に長いシーケンス長(最大200K)、相当な長さのバリエーション(200Kから200K)、限られた監督を持っている。 これらの課題に対処するためのパックベースのMILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-25T09:05:40Z)
• ReCoSeg++:Extended Residual-Guided Cross-Modal Diffusion for Brain Tumor Segmentation [0.9374652839580183]
  より大きく異質なBraTS 2021データセットにReCoSegアプローチを拡張した,半教師付き2段階のフレームワークを提案する。 第1段階では、残留誘導拡散確率モデル (DDPM) がFLAIR, T1, T2スキャンからT1ceモダリティを再構成することにより、クロスモーダル合成を行う。 第2段階では、軽量なU-Netが残基マップの連結を入力として、T1, T2, FLAIRによるT1ceと合成されたT1ceの差として計算し、腫瘍全体のセグメンテーションを改善する。
  論文  参考訳（メタデータ） (2025-08-01T20:24:31Z)
• SAM2-Aug: Prior knowledge-based Augmentation for Target Volume Auto-Segmentation in Adaptive Radiation Therapy Using Segment Anything Model 2 [6.833468826526835]
  Segment Anything Model 2 (SAM2)は、プロンプトベースのセグメンテーションを約束するが、腫瘍の精度に苦慮している。 我々は、適応放射線治療(ART)のためのSAM2を強化するための知識に基づく事前増強戦略を提案する。 SAM2-Augは1-Seq-Liverデータセット(31例の肝癌患者の115個のMRI)で微調整された。
  論文  参考訳（メタデータ） (2025-07-25T13:59:10Z)
• Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
  MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。 本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。 本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
  論文  参考訳（メタデータ） (2025-01-09T10:22:35Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。