論文の概要: RAP: Retrieve, Adapt, and Prompt-Fit for Training-Free Few-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.27705v1
• Date: Sun, 29 Mar 2026 14:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.08096
• Title: RAP: Retrieve, Adapt, and Prompt-Fit for Training-Free Few-Shot Medical Image Segmentation
• Title（参考訳）: RAP: トレーニング不要なFew-Shot医療画像セグメンテーションのための検索, 適応, プロンプトフィット
• Authors: Zhihao Mao, Bangpu Chen,
• Abstract要約: 本稿では,FSMISのためのSegment Anything Model 2 (SAM2) を検索し,適応し,プロンプトするトレーニングフリーフレームワークであるRAPを提案する。 RAPは、DINOv3機能を使用してアーカイブから形態的に互換性のあるサポートを取得し、単一のサポート選択における脆さを低減する。 RAPは、常に以前のFSMISベースラインを超え、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot medical image segmentation (FSMIS) has achieved notable progress, yet most existing methods mainly rely on semantic correspondences from scarce annotations while under-utilizing a key property of medical imagery: anatomical targets exhibit repeatable high-frequency morphology (e.g., boundary geometry and spatial layout) across patients and acquisitions. We propose RAP, a training-free framework that retrieves, adapts, and prompts Segment Anything Model 2 (SAM2) for FSMIS. First, RAP retrieves morphologically compatible supports from an archive using DINOv3 features to reduce brittleness in single-support choice. Second, it adapts the retrieved support mask to the query by fitting boundary-aware structural cues, yielding an anatomy-consistent pre-mask under domain shifts. Third, RAP converts the pre-mask into prompts by sampling positive points via Voronoi partitioning and negative points via sector-based sampling, and feeds them into SAM2 for final refinement without any fine-tuning. Extensive experiments on multiple medical segmentation benchmarks show that RAP consistently surpasses prior FSMIS baselines and achieves state-of-the-art performance. Overall, RAP demonstrates that explicit structural fitting combined with retrieval-augmented prompting offers a simple and effective route to robust training-free few-shot medical segmentation.
• Abstract（参考訳）: Few-shot Medical Image segmentation (FSMIS) は顕著な進歩を遂げているが、既存のほとんどの手法は、医用画像の重要な特性を過小評価しながら、希少なアノテーションからの意味的対応に主に依存している。 本稿では,FSMISのためのSegment Anything Model 2 (SAM2) を検索し,適応し,プロンプトするトレーニングフリーフレームワークであるRAPを提案する。 まず、RAPはDINOv3機能を使用してアーカイブから形態的に互換性のあるサポートを検索し、単一サポート選択における脆さを低減する。 第二に、検索したサポートマスクを、境界対応の構造的手がかりを適合させてクエリに適合させ、ドメインシフトの下で解剖学的に一貫性のある事前マスクを生成する。 第3に、RAPは、Voronoiパーティショニングとセクターベースのサンプリングを通じて正の点と負の点をサンプリングすることで、プリマスクをプロンプトに変換し、それらをSAM2にフィードし、微調整をせずに最終的な精錬を行う。 複数の医療セグメンテーションベンチマークの大規模な実験により、RAPは以前のFSMISベースラインを一貫して上回り、最先端のパフォーマンスを達成することが示されている。 全体として、RAPは、明示的な構造的フィッティングと検索強化プロンプトを組み合わせることで、堅牢なトレーニングなしの少数ショット医療セグメンテーションへのシンプルで効果的なルートを提供することを示した。

関連論文リスト

• Atlas-Assisted Segment Anything Model for Fetal Brain MRI (FeTal-SAM) [14.57158980216096]
  FeTal-SAMは胎児脳MRIのセグメンテーションに適したSegment Anything Model(SAM)の新規な適応である。 atlasベースのプロンプトと基礎モデル原則を統合することで、FeTal-SAMは胎児脳MRIのセグメンテーションにおける2つの重要な制限に対処する。
  論文  参考訳（メタデータ） (2026-01-22T08:49:33Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• 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)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
  本稿では,医用画像分割フレームワークTAB Netを提案する。 三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。 我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:50:00Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Prototypical few-shot segmentation for cross-institution male pelvic structures with spatial registration [24.089382725904304]
  この研究は、完全に3次元のショットセグメンテーションアルゴリズムを記述している。 トレーニングされたネットワークは、トレーニングに欠落している臨床的に興味深い構造に効果的に適応することができる。 実験は、介入計画において重要な8つの解剖学的構造を分割する応用として提示される。
  論文  参考訳（メタデータ） (2022-09-12T11:34:57Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)

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。