論文の概要: SAMRI: Segment Anything Model for MRI

• arxiv url: http://arxiv.org/abs/2510.26635v1
• Date: Thu, 30 Oct 2025 16:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.897097
• Title: SAMRI: Segment Anything Model for MRI
• Title（参考訳）: SAMRI:MRIのセグメンテーションモデル
• Authors: Zhao Wang, Wei Dai, Thuy Thanh Dao, Steffen Bollmann, Hongfu Sun, Craig Engstrom, Shekhar S. Chandra,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)ベースの手法は正確で効率的であるが、MRIの可変コントラスト、強度不均一性、プロトコルによく一般化される。 全身臓器と病理組織にまたがる1100万個のMRスライスをトレーニングし,評価したMRI特化SAMであるSAMRIを報告する。
• 参考スコア（独自算出の注目度）: 7.206770018823158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate magnetic resonance imaging (MRI) segmentation is crucial for clinical decision-making, but remains labor-intensive when performed manually. Convolutional neural network (CNN)-based methods can be accurate and efficient, but often generalize poorly to MRI's variable contrast, intensity inhomogeneity, and protocols. Although the transformer-based Segment Anything Model (SAM) has demonstrated remarkable generalizability in natural images, existing adaptations often treat MRI as another imaging modality, overlooking these modality-specific challenges. We present SAMRI, an MRI-specialized SAM trained and validated on 1.1 million labeled MR slices spanning whole-body organs and pathologies. We demonstrate that SAM can be effectively adapted to MRI by simply fine-tuning its mask decoder using a two-stage strategy, reducing training time by 94% and trainable parameters by 96% versus full-model retraining. Across diverse MRI segmentation tasks, SAMRI achieves a mean Dice of 0.87, delivering state-of-the-art accuracy across anatomical regions and robust generalization on unseen structures, particularly small and clinically important structures.
• Abstract（参考訳）: 臨床診断にはMRIの正確な分割が重要であるが,手動で行うと労働集約的な状態が残る。 畳み込みニューラルネットワーク(CNN)ベースの手法は正確で効率的であるが、MRIの可変コントラスト、強度不均一性、プロトコルによく一般化される。 トランスフォーマーに基づくSegment Anything Model(SAM)は、自然画像において顕著な一般化性を示しているが、既存の適応はMRIを他の画像モダリティとして扱い、これらのモダリティ固有の課題を見越す。 全身臓器と病理組織にまたがる1100万個のMRスライスをトレーニングし,評価したMRI特化SAMであるSAMRIを報告する。 2段階戦略を用いてマスクデコーダを微調整し、トレーニング時間を94%短縮し、トレーニング可能なパラメータを96%削減し、MRIに効果的に適用できることを実証した。 さまざまなMRIセグメンテーションのタスク全体にわたって、SAMRIは平均Diceの0.87を達成し、解剖学的領域にわたって最先端の精度を提供し、特に小さく臨床的に重要な構造に対して堅牢な一般化を実現している。

関連論文リスト

• GBT-SAM: Adapting a Foundational Deep Learning Model for Generalizable Brain Tumor Segmentation via Efficient Integration of Multi-Parametric MRI Data [5.7802171590699984]
  GBT-SAMはパラメータ効率のよいディープラーニングフレームワークで,Segment Anything Modelをmp-MRIデータに適用する。 本モデルは,深度認識モジュールを組み込んだ2段階の微調整戦略により,スライス間相関を抽出する。 BraTSアダルトグリオーマデータセットで93.54のDiceスコアを達成し、メニンギオーマ、小児グリオーマ、サブサハラグリオーマデータセットで堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-06T11:18:22Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• Intraoperative Glioma Segmentation with YOLO + SAM for Improved Accuracy in Tumor Resection [1.9461727843485295]
  グリオーマは、健康な組織との類似性から、重要な外科的課題を呈する。 MRI画像は、脳のシフトなどの要因により、手術中は効果がないことが多い。 本稿では,You Only Look Once Version 8 (Yv8) と Segment Anything Model Vision Transformer-base を組み合わせたディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:58:08Z)
• Leveraging Multimodal CycleGAN for the Generation of Anatomically Accurate Synthetic CT Scans from MRIs [1.779948689352186]
  我々は、MRIから合成CTスキャンを生成するために、Deep Learningモデルの異なる構成の能力を解析する。 異なるMRIモダリティからCTスキャンを生成するために、コントラスト剤を使用しないいくつかのCycleGANモデルを教師なしで訓練した。 結果から, 入力のモーダル性に応じて, モデルが全く異なる性能を持つことを示す。
  論文  参考訳（メタデータ） (2024-07-15T16:38:59Z)
• Segment anything model for head and neck tumor segmentation with CT, PET and MRI multi-modality images [0.04924932828166548]
  本研究は,最小限の人的プロンプトを必要とすると認識されるセグメンション・アプライシング・モデル(SAM)について検討する。 具体的には,大規模な医用画像を用いたSAMのバージョンであるMedSAMについて検討する。 本研究は,超微調整SAMのセグメンテーション精度が向上し,既に有効なゼロショット結果が得られたことを実証する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:45Z)
• SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location on MRI [13.912230325828943]
  本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。 提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。 1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
  論文  参考訳（メタデータ） (2024-01-23T18:59:25Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [45.62331048595689]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・ディベサール・ネットワーク(cGAN)アーキテクチャを用いて,ヒト・コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• 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)

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。