論文の概要: UniUltra: Interactive Parameter-Efficient SAM2 for Universal Ultrasound Segmentation

• arxiv url: http://arxiv.org/abs/2511.15771v1
• Date: Wed, 19 Nov 2025 17:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.329416
• Title: UniUltra: Interactive Parameter-Efficient SAM2 for Universal Ultrasound Segmentation
• Title（参考訳）: UniUltra:Universal Ultrasound Segmentationのための対話型パラメータ効率SAM2
• Authors: Yue Li, Qing Xu, Yixuan Zhang, Xiangjian He, Qian Zhang, Yuan Yao, Fiseha B. Tesem, Xin Chen, Ruili Wang, Zhen Chen, Chang Wen Chen,
• Abstract要約: Segment Anything Model 2 (SAM2) は、自然画像に顕著な普遍的なセグメンテーション機能を示す。 この制限は、パラメータ効率を維持しながらSAM2を超音波画像に効率的に適応する方法と、リソース制約された臨床環境において適応モデルを効果的に展開する方法の2つの重要な課題を提起する。 本報告では,UniUltraを超音波の普遍的セグメンテーションのために提案する。特に,パラメータ効率の良い微調整を実現しつつ,多様な超音波画像の微粒化知覚を高める新しいコンテキストエッジハイブリッドアダプタ(CH-Adapter)を提案する。
• 参考スコア（独自算出の注目度）: 47.18256805790662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Segment Anything Model 2 (SAM2) demonstrates remarkable universal segmentation capabilities on natural images. However, its performance on ultrasound images is significantly degraded due to domain disparities. This limitation raises two critical challenges: how to efficiently adapt SAM2 to ultrasound imaging while maintaining parameter efficiency, and how to deploy the adapted model effectively in resource-constrained clinical environments. To address these issues, we propose UniUltra for universal ultrasound segmentation. Specifically, we first introduce a novel context-edge hybrid adapter (CH-Adapter) that enhances fine-grained perception across diverse ultrasound imaging modalities while achieving parameter-efficient fine-tuning. To further improve clinical applicability, we develop a deep-supervised knowledge distillation (DSKD) technique that transfers knowledge from the large image encoder of the fine-tuned SAM2 to a super lightweight encoder, substantially reducing computational requirements without compromising performance. Extensive experiments demonstrate that UniUltra outperforms state-of-the-arts with superior generalization capabilities. Notably, our framework achieves competitive performance using only 8.91% of SAM2's parameters during fine-tuning, and the final compressed model reduces the parameter count by 94.08% compared to the original SAM2, making it highly suitable for practical clinical deployment. The source code is available at https://github.com/xq141839/UniUltra.
• Abstract（参考訳）: Segment Anything Model 2 (SAM2) は、自然画像に顕著な普遍的なセグメンテーション機能を示す。 しかし, 超音波画像の性能は領域差により著しく低下する。 この制限は、パラメータ効率を維持しながらSAM2を超音波画像に効率的に適応する方法と、リソース制約された臨床環境において適応モデルを効果的に展開する方法の2つの重要な課題を提起する。 これらの問題に対処するために,ユニバーサル超音波セグメンテーションのためのUniUltraを提案する。 具体的には、まず、パラメータ効率の良い微調整を実現しつつ、様々な超音波画像モダリティの微粒化知覚を高める新しいコンテキストエッジハイブリッドアダプタ(CH-Adapter)を導入する。 さらに臨床応用性を向上させるため,細調整されたSAM2の画像エンコーダから超軽量エンコーダへ知識を伝達し,性能を損なうことなく計算要求を大幅に低減する深層知識蒸留(DSKD)技術を開発した。 広汎な実験により、UniUltraはより優れた一般化能力を持つ最先端技術よりも優れていることが示された。 特に,本フレームワークは,微調整時のSAM2パラメータの8.91%しか使用せず,従来のSAM2と比較してパラメータ数を94.08%削減し,臨床応用に極めて適している。 ソースコードはhttps://github.com/xq141839/UniUltraで入手できる。

関連論文リスト

• Versatile and Efficient Medical Image Super-Resolution Via Frequency-Gated Mamba [10.69081892501522]
  本稿では,FGMambaを提案する。FGMambaは,グローバルな依存性モデリングと細部拡張を軽量アーキテクチャに統合した,周波数対応のゲート状態空間モデルである。 本研究は,スケーラブルかつ高精度な医用画像強調のための周波数認識状態空間モデリングの有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-31T09:12:12Z)
• BALR-SAM: Boundary-Aware Low-Rank Adaptation of SAM for Resource-Efficient Medical Image Segmentation [11.634558989215392]
  Segment Anything Model (SAM)のようなビジョン基盤モデルは、ドメイン固有の適応が欠如しているため、しばしば医療画像のセグメンテーションに苦労する。 医療画像のSAMを強化する境界対応低ランク適応フレームワークであるBALR-SAMを提案する。 2) SAMのVision Transformerブロックに組み込まれた低ランクのアダプタは、医学的コンテキストにおける特徴表現と注意を最適化し、同時にパラメータ空間を著しく削減する。
  論文  参考訳（メタデータ） (2025-09-29T02:36:09Z)
• SpectMamba: Integrating Frequency and State Space Models for Enhanced Medical Image Detection [11.43227481199105]
  医用画像検出用に設計された最初のMambaベースのアーキテクチャであるSpectMambaを紹介する。 SpectMambaの重要なコンポーネントはHybrid Spatial-Frequency Attention (HSFA)ブロックである。 SpectMambaは様々な医用画像検出タスクにおいて効率的かつ効率的でありながら、最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2025-09-01T02:56:45Z)
• The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound [60.80780313225093]
  本研究は, 肺超音波の自己教師あり学習におけるデータ拡張と前処理方略の影響を系統的に検討した。 画像領域に共通して使用されるベースラインパイプライン、超音波用に設計された新しいセマンティック保存パイプライン、両方のパイプラインから最も効果的な変換の蒸留セットの3つのデータ拡張パイプラインが評価された。
  論文  参考訳（メタデータ） (2025-04-10T16:26:47Z)
• SAS: Segment Anything Small for Ultrasound -- A Non-Generative Data Augmentation Technique for Robust Deep Learning in Ultrasound Imaging [1.0485739694839666]
  Segment Anything Small (SAS) は、シンプルだが効果的なスケールとテクスチャ対応のデータ拡張技術である。 SASは超音波画像中の小さな解剖構造をセグメント化するためのディープラーニングモデルの性能を向上させる。
  論文  参考訳（メタデータ） (2025-03-07T20:24:35Z)
• 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)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)

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。