論文の概要: FGNet: Leveraging Feature-Guided Attention to Refine SAM2 for 3D EM Neuron Segmentation
- arxiv url: http://arxiv.org/abs/2511.13063v1
- Date: Mon, 17 Nov 2025 07:11:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:24.885538
- Title: FGNet: Leveraging Feature-Guided Attention to Refine SAM2 for 3D EM Neuron Segmentation
- Title（参考訳）: FGNet: 3D EMニューロンセグメンテーションのためのSAM2をリファインティングするための特徴ガイドアテンションの活用
- Authors: Zhenghua Li, Hang Chen, Zihao Sun, Kai Li, Xiaolin Hu,
- Abstract要約: 本稿では,Segment Anything 2 (SAM2) から EM ドメインへの知識伝達を効果的に行う新しいフレームワークを提案する。
ドメインギャップを埋めるために、SAM2のセマンティックキューを利用して軽量エンコーダをガイドするFeature-Guided Attentionモジュールを導入します。
本手法は,SAM2重みを凍結したSOTA(State-of-the-art)手法に匹敵する性能を実現する。
- 参考スコア（独自算出の注目度）: 40.16387587129208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate segmentation of neural structures in Electron Microscopy (EM) images is paramount for neuroscience. However, this task is challenged by intricate morphologies, low signal-to-noise ratios, and scarce annotations, limiting the accuracy and generalization of existing methods. To address these challenges, we seek to leverage the priors learned by visual foundation models on a vast amount of natural images to better tackle this task. Specifically, we propose a novel framework that can effectively transfer knowledge from Segment Anything 2 (SAM2), which is pre-trained on natural images, to the EM domain. We first use SAM2 to extract powerful, general-purpose features. To bridge the domain gap, we introduce a Feature-Guided Attention module that leverages semantic cues from SAM2 to guide a lightweight encoder, the Fine-Grained Encoder (FGE), in focusing on these challenging regions. Finally, a dual-affinity decoder generates both coarse and refined affinity maps. Experimental results demonstrate that our method achieves performance comparable to state-of-the-art (SOTA) approaches with the SAM2 weights frozen. Upon further fine-tuning on EM data, our method significantly outperforms existing SOTA methods. This study validates that transferring representations pre-trained on natural images, when combined with targeted domain-adaptive guidance, can effectively address the specific challenges in neuron segmentation.
- Abstract（参考訳）: 電子顕微鏡(EM)画像における神経構造の正確なセグメンテーションは神経科学にとって最重要である。
しかし, この課題は, 複雑な形態, 低信号対雑音比, アノテーションの不足によって克服され, 既存の手法の精度と一般化が制限される。
これらの課題に対処するために、我々は視覚基礎モデルによって学習された先行情報を、膨大な量の自然画像に活用し、この課題にもっとうまく取り組むことを模索する。
具体的には,自然画像上で事前学習したSegment Anything 2 (SAM2) から EM ドメインへの知識伝達を効果的に行う新しいフレームワークを提案する。
まずSAM2を使って、強力で汎用的な特徴を抽出します。
ドメインギャップを埋めるために,SAM2のセマンティックキューを活用するFeature-Guided Attentionモジュールを導入し,これらの課題に焦点を合わせるために,軽量エンコーダであるFine-Grained Encoder(FGE)をガイドする。
最後に、双対アフィニティデコーダは粗いアフィニティマップと洗練されたアフィニティマップの両方を生成する。
実験により,本手法はSAM2重みを凍結したSOTA(State-of-the-art)手法に匹敵する性能を示した。
EMデータにさらなる微調整を加えると,既存のSOTA法よりも大幅に性能が向上する。
本研究は, 対象領域適応誘導と組み合わせることで, ニューロンセグメンテーションにおける特定の課題に効果的に対処できることを検証した。
関連論文リスト
- SAM2-UNeXT: An Improved High-Resolution Baseline for Adapting Foundation Models to Downstream Segmentation Tasks [50.97089872043121]
SAM2-UNeXTはSAM2-UNetの中核となる原理を基盤とした高度なフレームワークである。
我々は、補助的なDINOv2エンコーダの統合によりSAM2の表現能力を拡張する。
我々のアプローチは、単純なアーキテクチャでより正確なセグメンテーションを可能にし、複雑なデコーダ設計の必要性を緩和する。
論文 参考訳（メタデータ） (2025-08-05T15:36:13Z) - SAM2-SGP: Enhancing SAM2 for Medical Image Segmentation via Support-Set Guided Prompting [11.439997127887324]
人為的なプロンプトへの依存は、SAM2を医療画像のセグメンテーションタスクに適応させる上で大きな課題となる。
我々は,手動プロンプトの必要性を解消するフレームワークであるSAM2-SGP(サポートセット誘導プロンプト)を用いたSAM2を提案する。
提案モデルはSAM2のメモリ機構を活用し,Pseudo-mask Generation (PMG)モジュールを用いたサポートセットからイメージマスクペアを用いて擬似マスクを生成する。
論文 参考訳（メタデータ） (2025-06-24T14:22:25Z) - FMaMIL: Frequency-Driven Mamba Multi-Instance Learning for Weakly Supervised Lesion Segmentation in Medical Images [24.941922708432212]
FMaMILは画像レベルのラベルのみに基づく弱教師付き病変分割のための2段階のフレームワークである。
最初の段階では、MILパラダイムの下で画像パッチ間の長距離依存関係をキャプチャするために、軽量なMambaベースのエンコーダが導入された。
空間感度と構造意識を高めるため,周波数領域符号化モジュールを設計し,空間領域の特徴をスペクトル情報で補う。
第2段階では、CAM誘導ソフトラベル監視と自己補正機構により、初期擬似ラベルを洗練し、ラベルノイズ下においても堅牢なトレーニングを可能にする。
論文 参考訳（メタデータ） (2025-06-09T11:18:02Z) - SAMamba: Adaptive State Space Modeling with Hierarchical Vision for Infrared Small Target Detection [12.964308630328688]
赤外線小目標検出(ISTD)は、軍事・海上・早期警戒用途における長距離監視に不可欠である。
ISTDは画像の0.15%未満のターゲットと複雑な背景との識別性が低いターゲットによって挑戦されている。
本稿では,SAM2の階層的特徴学習とMambaの選択的シーケンスモデリングを統合した新しいフレームワークSAMambaを提案する。
論文 参考訳（メタデータ） (2025-05-29T07:55:23Z) - SAM4EM: Efficient memory-based two stage prompt-free segment anything model adapter for complex 3D neuroscience electron microscopy stacks [6.277236040603983]
我々は、電子顕微鏡(EM)データにおける複雑な神経構造の3次元分割のための新しいアプローチSAM4EMを提案する。
コントリビューションには、2段マスクデコードを用いたSAM用プロンプトフリーアダプタの開発が含まれている。
宇宙のプロセスとシナプスのセグメンテーションのためのユニークなベンチマークデータセットをリリースする。
論文 参考訳（メタデータ） (2025-04-30T11:38:02Z) - Unleashing the Power of Generic Segmentation Models: A Simple Baseline for Infrared Small Target Detection [57.666055329221194]
本稿では,Segment Anything Model (SAM) などのジェネリックセグメンテーションモデルの赤外線小物体検出タスクへの適応について検討する。
提案モデルでは,既存の手法と比較して,精度とスループットの両方で性能が大幅に向上した。
論文 参考訳（メタデータ） (2024-09-07T05:31:24Z) - Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion Segmentation [7.747608350830482]
早期乳房超音波画像における病変の断片化を弱体化するための新しい枠組みを提案する。
本手法は,形態的拡張とクラスアクティベーションマップ(CAM)誘導局所化を用いた。
このアプローチはピクセルレベルのアノテーションを必要としないため、データアノテーションのコストが削減される。
論文 参考訳（メタデータ） (2023-11-18T22:06:04Z) - Salient Object Detection in Optical Remote Sensing Images Driven by
Transformer [69.22039680783124]
光リモートセンシング画像(ORSI-SOD)のためのGlobal extract Local Exploration Network(GeleNet)を提案する。
具体的には、GeleNetはまずトランスフォーマーバックボーンを採用し、グローバルな長距離依存関係を持つ4レベルの機能埋め込みを生成する。
3つの公開データセットに関する大規模な実験は、提案されたGeleNetが関連する最先端メソッドより優れていることを示している。
論文 参考訳（メタデータ） (2023-09-15T07:14:43Z) - ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-07-02T10:39:29Z) - Dual Attention GANs for Semantic Image Synthesis [101.36015877815537]
本稿では,写真リアリスティック・セマンティック・一貫性のあるイメージを合成するための新しいデュアルアテンションGAN(DAGAN)を提案する。
また,2つの新しいモジュール,すなわち位置対応空間アテンションモジュール(SAM)と規模対応チャネルアテンションモジュール(CAM)を提案する。
DAGANは、より少ないモデルパラメータを使用しながら、最先端のメソッドよりも驚くほど優れた結果が得られる。
論文 参考訳（メタデータ） (2020-08-29T17:49:01Z)
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。