論文の概要: Automatic Segmentation of 3D CT scans with SAM2 using a zero-shot approach

• arxiv url: http://arxiv.org/abs/2603.23116v1
• Date: Tue, 24 Mar 2026 12:10:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.466921
• Title: Automatic Segmentation of 3D CT scans with SAM2 using a zero-shot approach
• Title（参考訳）: ゼロショット法によるSAM2による3次元CTスキャンの自動分割
• Authors: Miquel Lopez Escoriza, Pau Amargant Alvarez,
• Abstract要約: 本研究では,容積CTデータの自動区分けにSegment Anything Model 2 (SAM2) のゼロショット使用について検討する。 SAM2の映像ベースのメモリ機構をCTスライスを順序付きシーケンスとして扱うことで3次元データに適応させる,推論アローンのアーキテクチャおよび手続き的な修正セットを提案する。 これらの結果から, SAM2は凍結重量であっても, 推論パイプラインが慎重に構成されている場合, コヒーレントな3次元セグメンテーションを生成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models for image segmentation have shown strong generalization in natural images, yet their applicability to 3D medical imaging remains limited. In this work, we study the zero-shot use of Segment Anything Model 2 (SAM2) for automatic segmentation of volumetric CT data, without any fine-tuning or domain-specific training. We analyze how SAM2 should be applied to CT volumes and identify its main limitation: the lack of inherent volumetric awareness. To address this, we propose a set of inference-alone architectural and procedural modifications that adapt SAM2's video-based memory mechanism to 3D data by treating CT slices as ordered sequences. We conduct a systematic ablation study on a subset of 500 CT scans from the TotalSegmentator dataset to evaluate prompt strategies, memory propagation schemes and multi-pass refinement. Based on these findings, we select the best-performing configuration and report final results on a bigger sample of the TotalSegmentator dataset comprising 2,500 CT scans. Our results show that, even with frozen weights, SAM2 can produce coherent 3D segmentations when its inference pipeline is carefully structured, demonstrating the feasibility of a fully zero-shot approach for volumetric medical image segmentation.
• Abstract（参考訳）: 画像セグメンテーションの基礎モデルは、自然画像の強力な一般化を示しているが、3D医療画像への適用性は依然として限られている。 本研究では,ボリュームCTデータのセグメンテーションにおけるSegment Anything Model 2 (SAM2) のゼロショット使用について,微調整やドメイン固有の訓練を伴わずに検討する。 我々はSAM2がCTボリュームにどのように適用されるべきかを分析し、その主な限界、すなわち本質的なボリューム意識の欠如を同定する。 そこで本研究では, SAM2の映像ベースメモリ機構をCTスライスを順序付きシーケンスとして扱うことで, 3次元データに適応させる, 推論アローンのアーキテクチャおよび手続き的な修正セットを提案する。 我々は,TotalSegmentatorデータセットからの500個のCTスキャンのサブセットに関する系統的アブレーション研究を行い,プロンプト戦略,メモリ伝搬スキーム,マルチパス精細化を評価する。 これらの結果から, 2500個のCTスキャンからなるTotalSegmentatorデータセットにおいて, 最適性能の構成を選択し, 最終結果について報告する。 凍結重量であっても,SAM2は推論パイプラインが慎重に構成されている場合,コヒーレントな3Dセグメンテーションを生成可能であることを示し,体積像セグメンテーションに対する完全ゼロショットアプローチの可能性を示した。

関連論文リスト

• Opportunistic Promptable Segmentation: Leveraging Routine Radiological Annotations to Guide 3D CT Lesion Segmentation [4.014618722322392]
  臨床画像アーカイブ・通信システム(PACS)では大量のCT画像と報告が容易に利用可能である クリティカルな発見の3Dセグメンテーションは、一般的には放射線技師による広範囲な手作業による注釈を必要とする。 スパースアノテーションをCTボリュームの3次元セグメンテーションに変換するために設計された,最初のプロンプト可能なセグメンテーションモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-30T20:59:53Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Towards a Comprehensive, Efficient and Promptable Anatomic Structure Segmentation Model using 3D Whole-body CT Scans [23.573958232965104]
  Segment Any Model (SAM) は、自然画像のセグメンテーションに強い一般化能力を示す。 我々はCT-SAM3Dという全身CTセグメント化のための包括的でスケーラブルな3次元SAMモデルを提案する。 CT-SAM3Dは107体の解剖を含む1204個のCTスキャンによって訓練されている。
  論文  参考訳（メタデータ） (2024-03-22T09:40:52Z)
• 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)
• SAM3D: Segment Anything Model in Volumetric Medical Images [11.764867415789901]
  本稿では,3次元ボリューム画像解析に適した革新的適応であるSAM3Dを紹介する。 我々のSAM3Dモデルは、ボリュームを個別に2次元スライスに変換することでボリュームデータを分割する現在のSAMベース手法とは異なり、統一的なアプローチで全3次元ボリューム画像を処理する。
  論文  参考訳（メタデータ） (2023-09-07T06:05:28Z)
• 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)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)

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。