論文の概要: Focus on Background: Exploring SAM's Potential in Few-shot Medical Image Segmentation with Background-centric Prompting

• arxiv url: http://arxiv.org/abs/2603.21287v1
• Date: Sun, 22 Mar 2026 15:21:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.32995
• Title: Focus on Background: Exploring SAM's Potential in Few-shot Medical Image Segmentation with Background-centric Prompting
• Title（参考訳）: 背景に焦点をあてて : 背景中心のプロンプティングによるFew-shot Medical Image SegmentationにおけるSAMの可能性を探る
• Authors: Yuntian Bo, Yazhou Zhu, Piotr Koniusz, Haofeng Zhang,
• Abstract要約: 医用画像セグメンテーションのためのバックグラウンド中心のプロンプトジェネレータFoB(Focus on background)を提案する。 FoBは、セグメンテーションとプロンプトローカライゼーションのギャップを、カテゴリーに依存しないサポートバックグラウンドプロンプトの生成によって埋める。 3つの多様な医療画像データセットの実験は、FoBが他のベースラインよりも大きなマージンで優れていることを示した。
• 参考スコア（独自算出の注目度）: 44.84422822567675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional few-shot medical image segmentation (FSMIS) approaches face performance bottlenecks that hinder broader clinical applicability. Although the Segment Anything Model (SAM) exhibits strong category-agnostic segmentation capabilities, its direct application to medical images often leads to over-segmentation due to ambiguous anatomical boundaries. In this paper, we reformulate SAM-based FSMIS as a prompt localization task and propose FoB (Focus on Background), a background-centric prompt generator that provides accurate background prompts to constrain SAM's over-segmentation. Specifically, FoB bridges the gap between segmentation and prompt localization by category-agnostic generation of support background prompts and localizing them directly in the query image. To address the challenge of prompt localization for novel categories, FoB models rich contextual information to capture foreground-background spatial dependencies. Moreover, inspired by the inherent structural patterns of background prompts in medical images, FoB models this structure as a constraint to progressively refine background prompt predictions. Experiments on three diverse medical image datasets demonstrate that FoB outperforms other baselines by large margins, achieving state-of-the-art performance on FSMIS, and exhibiting strong cross-domain generalization. Our code is available at https://github.com/primebo1/FoB_SAM.
• Abstract（参考訳）: 従来の数発の医用画像セグメンテーション(FSMIS)は、幅広い臨床応用を阻害するパフォーマンスボトルネックにアプローチする。 SAM(Segment Anything Model)は強い分類非依存のセグメンテーション能力を示すが、医用画像への直接的応用は、曖昧な解剖学的境界による過剰なセグメンテーションにつながることが多い。 本稿では,SAMをベースとしたFSMISをプロンプトローカライゼーションタスクとして再構成し,バックグラウンド中心のプロンプトジェネレータであるFoB(Focus on background)を提案する。 具体的には、FoBはセグメンテーションとプロンプトローカライゼーションのギャップを、カテゴリに依存しないサポートバックグラウンドプロンプトの生成によって埋め、クエリイメージに直接ローカライズする。 新たなカテゴリの迅速なローカライゼーションの課題に対処するために、FoBは、背景背景空間依存を捉えるために、リッチなコンテキスト情報をモデル化する。 さらに、医療画像の背景プロンプトの構造パターンにインスパイアされたFoBは、背景プロンプトの予測を徐々に洗練させる制約として、この構造をモデル化する。 3つの多様な医用画像データセットの実験では、FoBが他のベースラインを大きなマージンで上回り、FSMISで最先端のパフォーマンスを達成し、強いクロスドメインの一般化を示すことが示されている。 私たちのコードはhttps://github.com/primebo1/FoB_SAMで利用可能です。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Is Foreground Prototype Sufficient? Few-Shot Medical Image Segmentation with Background-Fused Prototype [40.062825908232185]
  Few-shot Semantic(FSS)は、トレーニング済みモデルを新しいクラスに適応するために、クラス毎に1つのラベル付きトレーニングサンプルをラベル付けする。 医用画像におけるFSSのための新しいプラガブルバックグラウンドフューズプロトタイプ(Bro)を提案する。 Bro氏はこの背景を2つのピボット設計で組み込んでいる。具体的には、FeaC(FeaC)は、クエリイメージとのクロスアテンションを利用して、最初にサポートイメージのノイズを低減します。 チャネルグループに基づくアテンション機構によりこれを実現し、敵構造は粗大な核融合を促進する。
  論文  参考訳（メタデータ） (2024-12-04T02:51:22Z)
• Image Segmentation in Foundation Model Era: A Survey [95.60054312319939]
  イメージセグメンテーションにおける現在の研究は、異なる特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
  我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。 空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。 時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:15:09Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Segment Anything Model for Medical Image Segmentation: Current Applications and Future Directions [8.216028136706948]
  最近のSAM(Segment Anything Model)の導入は、プロンプト駆動パラダイムのイメージセグメンテーション領域への注目すべき拡張を意味している。 本稿では,SAMの有効性を医療画像分割タスクに拡張するための最近の取り組みについて概観する。 医療画像セグメンテーションにおけるSAMの役割について,今後の研究の道筋を探る。
  論文  参考訳（メタデータ） (2024-01-07T14:25:42Z)
• Multi-Prompt Fine-Tuning of Foundation Models for Enhanced Medical Image Segmentation [10.946806607643689]
  Segment Anything Model (SAM) は、自然画像セグメンテーションの革命的進歩を導入した強力な基礎モデルである。 本研究では,SAMのイメージ毎に複数のプロンプトをバンドルして処理する機能を活用した,新しい微調整フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-03T19:05:00Z)
• Towards Segment Anything Model (SAM) for Medical Image Segmentation: A Survey [8.76496233192512]
  本稿では,セグメンテーションモデルの成功を医療画像のセグメンテーションタスクに拡張する取り組みについて論じる。 医用画像解析の基礎モデルを開発するために、将来の研究を導くために多くの洞察が導かれる。
  論文  参考訳（メタデータ） (2023-05-05T16:48:45Z)

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。