論文の概要: Seeing Through the Tool: A Controlled Benchmark for Occlusion Robustness in Foundation Segmentation Models

• arxiv url: http://arxiv.org/abs/2604.11711v1
• Date: Mon, 13 Apr 2026 16:46:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.694604
• Title: Seeing Through the Tool: A Controlled Benchmark for Occlusion Robustness in Foundation Segmentation Models
• Title（参考訳）: ツールを通して見る: ファンデーションセグメンテーションモデルにおける排他ロバストネスの制御されたベンチマーク
• Authors: Nhan Ho, Luu Le, Thanh-Huy Nguyen, Thien Nguyen, Xiaofeng Liu, Ulas Bagci,
• Abstract要約: 手術器具やオーバーラップする組織によって標的構造が部分的に隠されているオクルージョンは、内視鏡の基盤セグメンテーションモデルにとって重要な課題でありながら、未発見の課題である。 OccSAM-Bench(OccSAM-Bench, OccSAM-Bench)は,制御された外科的閉塞下でのSAM-ファミリーモデルを体系的に評価するためのベンチマークである。 本稿では,セグメンテーション性能を完全かつ可視的かつ目に見えないターゲットに分解する新しい3領域評価プロトコルを提案する。
• 参考スコア（独自算出の注目度）: 8.524198123307402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Occlusion, where target structures are partially hidden by surgical instruments or overlapping tissues, remains a critical yet underexplored challenge for foundation segmentation models in clinical endoscopy. We introduce OccSAM-Bench, a benchmark designed to systematically evaluate SAM-family models under controlled, synthesized surgical occlusion. Our framework simulates two occlusion types (i.e., surgical tool overlay and cutout) across three calibrated severity levels on three public polyp datasets. We propose a novel three-region evaluation protocol that decomposes segmentation performance into full, visible-only, and invisible targets. This metric exposes behaviors that standard amodal evaluation obscures, revealing two distinct model archetypes: Occluder-Aware models (SAM, SAM 2, SAM 3, MedSAM3), which prioritize visible tissue delineation and reject instruments, and Occluder-Agnostic models (MedSAM, MedSAM2), which confidently predict into occluded regions. SAM-Med2D aligns with neither and underperforms across all conditions. Ultimately, our results demonstrate that occlusion robustness is not uniform across architectures, and model selection must be driven by specific clinical intent-whether prioritizing conservative visible-tissue segmentation or the amodal inference of hidden anatomy.
• Abstract（参考訳）: 手術器具やオーバーラップする組織によって標的構造が部分的に隠されているオクルージョンは、臨床内視鏡の基盤分割モデルにおいて、重要で未発見の課題である。 OccSAM-Bench(OccSAM-Bench, OccSAM-Bench)は,制御された外科的閉塞下でのSAM-ファミリーモデルを体系的に評価するためのベンチマークである。 本フレームワークは3つの公共ポリープデータセットに対して3つの校正された重度レベルにわたる2つの閉塞型(手術ツールオーバーレイとカットアウト)をシミュレートする。 本稿では,セグメンテーション性能を完全かつ可視的かつ目に見えないターゲットに分解する新しい3領域評価プロトコルを提案する。 この指標は、標準的なアモーダル評価が不明瞭な行動を明らかにし、Occluder-Awareモデル(SAM, SAM 2, SAM 3, MedSAM3)とOccluder-Agnosticモデル(MedSAM, MedSAM2)の2つの異なるモデルアーチタイプを明らかにした。 SAM-Med2D は全ての条件で不整合や不整合を伴わない。 最終結果は, 閉塞性は建築全体にわたって均一ではなく, モデル選択は, 保存的可視像分割の優先順位付け, 隠蔽解剖学のアモーダル推論のいずれにおいても, 特定の臨床的意図によって駆動されなければならないことを示した。

関連論文リスト

• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• Automatic Segmentation of 3D CT scans with SAM2 using a zero-shot approach [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-24T12:10:52Z)
• 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)
• SAM2-3dMed: Empowering SAM2 for 3D Medical Image Segmentation [7.646703242040606]
  SAM2-3dMed を3次元医用画像に応用した SAM2-3dMed を提案する。 スライス相対位置予測(SRPP)モジュールは、双方向のスライス間の依存関係を明示的にモデル化する。 境界検出(Bundary Detection, BD)モジュールは、重要な臓器と組織の境界に沿ったセグメンテーションの精度を高める。 提案手法は,3次元医用画像のセグメンテーション性能を向上するだけでなく,映像中心の基礎モデルを空間データに適用するための一般的なパラダイムを提供する。
  論文  参考訳（メタデータ） (2025-10-10T03:23:05Z)
• Zero-shot capability of SAM-family models for bone segmentation in CT scans [1.6018376109260821]
  骨CTセグメント化のためのSAM- Family モデルのゼロショット機能をテストするために,非刺激的,最適' なプロンプト戦略を用いている。 結果から,最適設定はモデルの種類やサイズ,データセットの特徴,最適化対象などに依存することがわかった。
  論文  参考訳（メタデータ） (2024-11-13T14:16:22Z)
• 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)
• SAM Meets Robotic Surgery: An Empirical Study in Robustness Perspective [21.2080716792596]
  Segment Anything Model (SAM) は意味的セグメンテーションの基礎モデルである。 ロボット手術領域におけるSAMのロバスト性とゼロショット一般化性について検討した。
  論文  参考訳（メタデータ） (2023-04-28T08:06:33Z)
• 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)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)

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。