論文の概要: Not Quite Anything: Overcoming SAMs Limitations for 3D Medical Imaging

• arxiv url: http://arxiv.org/abs/2511.19471v1
• Date: Sat, 22 Nov 2025 05:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.013523
• Title: Not Quite Anything: Overcoming SAMs Limitations for 3D Medical Imaging
• Title（参考訳）: 3DメディカルイメージングにおけるSAMs制限の克服
• Authors: Keith Moore,
• Abstract要約: SAMやSAM-2のような基礎的なセグメンテーションモデルは、自然画像ではうまく機能するが、脳MRIでは困難である。 本稿では,基礎モデルの出力を付加的な入力チャネルとして扱う合成代替手法を提案する。 従来MRIセグメンテーションで訓練されていた軽量な3次元U-Netを用いてSAM-2プロンプトを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation segmentation models such as SAM and SAM-2 perform well on natural images but struggle with brain MRIs where structures like the caudate and thalamus lack sharp boundaries and have low contrast. Rather than fine tune these models (for example MedSAM), we propose a compositional alternative where the foundation model output is treated as an additional input channel and passed alongside the MRI to highlight regions of interest. We generate SAM-2 prompts by using a lightweight 3D U-Net that was previously trained on MRI segmentation. The U-Net may have been trained on a different dataset, so its guesses are often imprecise but usually in the correct region. The edges of the resulting foundation model guesses are smoothed to improve alignment with the MRI. We also test prompt free segmentation using DINO attention maps in the same framework. This has-a architecture avoids modifying foundation weights and adapts to domain shift without retraining the foundation model. It reaches about 96 percent volume accuracy on basal ganglia segmentation, which is sufficient for our study of longitudinal volume change. The approach is fast, label efficient, and robust to out of distribution scans. We apply it to study inflammation linked changes in sudden onset pediatric OCD.
• Abstract（参考訳）: SAMやSAM-2のような基礎的なセグメンテーションモデルは、自然な画像ではうまく機能するが、因果線や視床のような構造が鋭い境界を欠き、コントラストが低い脳MRIと競合する。 これらのモデル(例えばMedSAM)を微調整する代わりに、基礎モデル出力を付加的な入力チャネルとして扱い、MRIと共に通過して興味のある領域をハイライトする合成代替案を提案する。 従来MRIセグメンテーションで訓練されていた軽量な3次元U-Netを用いてSAM-2プロンプトを生成する。 U-Netは異なるデータセットでトレーニングされた可能性があるため、推測はしばしば不正確だが、通常は正しい領域にある。 得られた基礎モデルのエッジは、MRIとの整合性を改善するために滑らかにされる。 また、DINOアテンションマップを用いて、同じフレームワークでフリーセグメンテーションのプロンプトをテストする。 このhas-aアーキテクチャはファンデーションの重みの変更を回避し、ファンデーションモデルを再トレーニングすることなくドメインシフトに適応します。 基底神経節分節の体積精度は約96%に達し, 経時的体積変化の研究に十分である。 このアプローチは高速で、ラベル効率が高く、分散スキャンから外れて堅牢である。 突然発症した小児OCDの炎症関連変化について検討した。

関連論文リスト

• Putting the Segment Anything Model to the Test with 3D Knee MRI - A Comparison with State-of-the-Art Performance [2.167419736510938]
  メニスキは膝の軟骨組織であり、関節の潤滑や重量分散に寄与する。 メニスシの正確な自動セグメンテーションは、半月状異常の早期発見と治療を可能にする。
  論文  参考訳（メタデータ） (2025-04-17T21:18:58Z)
• Novel adaptation of video segmentation to 3D MRI: efficient zero-shot knee segmentation with SAM2 [1.6237741047782823]
  Segment Anything Model 2 を応用した3次元膝関節MRIのゼロショット単発セグメンテーション法を提案する。 3次元医用ボリュームのスライスを個々のビデオフレームとして扱うことで、SAM2の高度な能力を利用して、モーションおよび空間認識の予測を生成する。 SAM2は、訓練や微調整を伴わずに、ゼロショット方式でセグメント化タスクを効率的に実行できることを実証する。
  論文  参考訳（メタデータ） (2024-08-08T21:39:15Z)
• 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)
• AdaptiveSAM: Towards Efficient Tuning of SAM for Surgical Scene Segmentation [49.59991322513561]
  本稿では,新しいデータセットに迅速かつ効率的に適応できるSegment-Anything(SAM)の適応的な修正を提案する。 AdaptiveSAMは、フリーフォームテキストをプロンプトとして使用し、ラベル名のみをプロンプトとして、興味のあるオブジェクトをセグメント化することができる。 実験の結果,AdaptiveSAMは様々な医用画像データセットの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-07T17:12:54Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• Rotation-Equivariant Deep Learning for Diffusion MRI [49.321304988619865]
  畳み込みネットワークは成功しているが、最近は回転や翻訳で等価である新しいニューラルネットワークによってパフォーマンスが上がっている。 ここでは、6次元拡散MRIデータに一般化し、画像空間における3次元ロト変換と一致する3次元回転を$q$-スペースで保証する。 提案するニューラルネットワークは,非回転同変深層学習と比較して,より優れた結果を得るとともに,トレーニングのためのスキャンを少なくする。
  論文  参考訳（メタデータ） (2021-02-13T15:18:34Z)

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。