論文の概要: SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2602.19213v1
• Date: Sun, 22 Feb 2026 14:48:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.53451
• Title: SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation
• Title（参考訳）: SegMoTE: 医用画像セグメンテーションの専門家のToken-Level Mixture
• Authors: Yujie Lu, Jingwen Li, Sibo Ju, Yanzhou Su, he yao, Yisong Liu, Min Zhu, Junlong Cheng,
• Abstract要約: 医用画像セグメンテーションのための効率的かつ適応的なフレームワークであるSegMoTEを提案する。 SegMoTEはSAMの本来のプロンプトインタフェース、効率的な推論、ゼロショットの一般化を保存している。 SegMoTEは、多様な画像モダリティと解剖学的タスクにわたってSOTA性能を達成する。
• 参考スコア（独自算出の注目度）: 18.723160085156717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation is vital for clinical diagnosis and quantitative analysis, yet remains challenging due to the heterogeneity of imaging modalities and the high cost of pixel-level annotations. Although general interactive segmentation models like SAM have achieved remarkable progress, their transfer to medical imaging still faces two key bottlenecks: (i) the lack of adaptive mechanisms for modality- and anatomy-specific tasks, which limits generalization in out-of-distribution medical scenarios; and (ii) current medical adaptation methods fine-tune on large, heterogeneous datasets without selection, leading to noisy supervision, higher cost, and negative transfer. To address these issues, we propose SegMoTE, an efficient and adaptive framework for medical image segmentation. SegMoTE preserves SAM's original prompt interface, efficient inference, and zero-shot generalization while introducing only a small number of learnable parameters to dynamically adapt across modalities and tasks. In addition, we design a progressive prompt tokenization mechanism that enables fully automatic segmentation, significantly reducing annotation dependence. Trained on MedSeg-HQ, a curated dataset less than 1% of existing large-scale datasets, SegMoTE achieves SOTA performance across diverse imaging modalities and anatomical tasks. It represents the first efficient, robust, and scalable adaptation of general segmentation models to the medical domain under extremely low annotation cost, advancing the practical deployment of foundation vision models in clinical applications.
• Abstract（参考訳）: 医用画像分割は臨床診断や定量的解析に欠かせないが,画像モダリティの不均一性やピクセルレベルのアノテーションの高コストのため,いまだに困難である。 SAMのような一般的な対話型セグメンテーションモデルは目覚ましい進歩を遂げているが、医療画像への転送には2つの大きなボトルネックがある。 一 配当外の医療シナリオにおける一般化を制限するモダリティ及び解剖学的タスクの適応機構の欠如 (II)現在行われている医療適応手法は、選択のない大規模で異質なデータセットを微調整し、ノイズの多い監視、高コスト、負の転送につながる。 これらの課題に対処するため,医療画像セグメンテーションのための効率的かつ適応的なフレームワークであるSegMoTEを提案する。 SegMoTEはSAMの本来のプロンプトインターフェース、効率的な推論、ゼロショットの一般化を保ちながら、モダリティやタスクをまたいで動的に適応する学習可能なパラメータを少数導入している。 さらに,完全自動セグメンテーションが可能なプログレッシブプロンプトトークン化機構を設計し,アノテーション依存を著しく低減する。 既存の大規模データセットの1%未満のキュレートデータセットであるMedSeg-HQでトレーニングされたSegMoTEは、さまざまな画像モダリティと解剖学的タスクにわたるSOTAパフォーマンスを達成する。 これは、非常に低いアノテーションコストで医用領域に一般的なセグメンテーションモデルを適応し、臨床応用における基礎視覚モデルの実践的展開を推進した最初の効率的で堅牢でスケーラブルな適応である。

関連論文リスト

• Dynamically evolving segment anything model with continuous learning for medical image segmentation [50.92344083895528]
  ダイナミックに進化する医療画像セグメンテーションモデルであるEvoSAMを紹介する。 EvoSAMは、継続的に拡張されるシナリオとタスクの配列から新しい知識を蓄積する。 血管セグメンテーションに関する外科医による実験により、EvoSAMはユーザプロンプトに基づいてセグメンテーション効率を高めることが確認された。
  論文  参考訳（メタデータ） (2025-03-08T14:37:52Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。