論文の概要: Is SAM3 ready for pathology segmentation?

• arxiv url: http://arxiv.org/abs/2604.18225v1
• Date: Mon, 20 Apr 2026 13:10:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.886526
• Title: Is SAM3 ready for pathology segmentation?
• Title（参考訳）: SAM3は病理学のセグメンテーションの準備ができているか?
• Authors: Qiuyu Kong, Shakiba Sharifi, Zanxi Ruan, Yiming Wang, Marco Cristani,
• Abstract要約: SAM3はPromptable Conceptを導入し、テキストプロンプトを介して潜在的に自動化されたインターフェースを提供する。 我々は、ゼロショット、少数ショット、および様々なプロンプト戦略で監督されたSAM3を、異なる監督条件下で評価する。 本研究は,病理領域の領域分割におけるSAM3の境界を記述し,病理領域適応の必要性に関する実践的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 13.272947729025027
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Is Segment Anything Model 3 (SAM3) capable in segmenting Any Pathology Images? Digital pathology segmentation spans tissue-level and nuclei-level scales, where traditional methods often suffer from high annotation costs and poor generalization. SAM3 introduces Promptable Concept Segmentation, offering a potential automated interface via text prompts. With this work, we propose a systematic evaluation protocol to explore the capability space of SAM3 in a structured manner. Specifically, we evaluate SAM3 under different supervision settings including zero-shot, few-shot, and supervised with varying prompting strategies. Our extensive evaluation on pathological datasets including NuInsSeg, PanNuke and GlaS, reveals that: 1.text-only prompts poorly activate nuclear concepts. 2.performance is highly sensitive to visual prompt types and budgets. 3.few-shot learning offers gains, but SAM3 lacks robustness against visual prompt noise. and 4.a significant gap persists between prompt-based usage and task-trained adapter-based reference. Our study delineates SAM3's boundaries in pathology image segmentation and provides practical guidance on the necessity of pathology domain adaptation.
• Abstract（参考訳）: Segment Anything Model 3 (SAM3) はどんな画像でもセグメント化できるのか? デジタル病理分類は組織レベルと核レベルの尺度にまたがっており、従来の手法は高いアノテーションコストと低い一般化に悩まされることが多い。 SAM3はPromptable Concept Segmentationを導入し、テキストプロンプトを介して潜在的に自動化されたインターフェースを提供する。 本研究では,SAM3の機能空間を構造化された方法で探索するシステム評価プロトコルを提案する。 具体的には、ゼロショット、少数ショット、様々なプロンプト戦略で教師されるような異なる監督条件下でSAM3を評価する。 NuInsSeg、PanNuke、GlaSなどの病理学的データセットについて広範な評価を行ったところ、以下のことが判明した。 2.視覚的なプロンプトタイプや予算に非常に敏感である。 しかしSAM3は視覚的なプロンプトノイズに対して頑丈さを欠いている。 および4. プロンプトベースの使用とタスク学習型アダプタベースの参照との間には大きなギャップが持続する。 本研究は,病理領域の領域分割におけるSAM3の境界を記述し,病理領域適応の必要性に関する実践的なガイダンスを提供する。

関連論文リスト

• Prompt-Free Lightweight SAM Adaptation for Histopathology Nuclei Segmentation with Strong Cross-Dataset Generalization [13.245421259771382]
  病理組織学的核分画は定量的組織解析と癌診断に重要である。 近年のSAMベースのアプローチは、一般画像や医用画像において大きな可能性を秘めている。 本稿では,マルチレベルエンコーダ特性と残差復号を有効利用し,高精度かつ効率的な核セグメンテーションを実現する,プロンプトフリーで軽量なSAM適応法を提案する。
  論文  参考訳（メタデータ） (2026-03-20T01:23:29Z)
• Comparing SAM 2 and SAM 3 for Zero-Shot Segmentation of 3D Medical Data [0.3867363075280543]
  SAM、SAM 2、および最近リリースされたSAM 3を含むプロンプト可能なセグメンテーションの基礎モデルは、医療画像のゼロショットセグメンテーションに再び関心を寄せている。 そこで本研究では, SAM 2 と SAM 3 を比較して, 純粋視覚的プロンプト下での3次元医用ボリュームとビデオのゼロショットセグメンテーションについて検討した。 両モデルを,54の解剖学的構造,病理,手術器具を含む16の公開データセットでベンチマークした。
  論文  参考訳（メタデータ） (2025-11-26T21:36:58Z)
• 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)
• Learnable Prompting SAM-induced Knowledge Distillation for Semi-supervised Medical Image Segmentation [47.789013598970925]
  半教師型医用画像分割のための知識蒸留フレームワークKnowSAMを提案する。 我々のモデルは最先端の半教師付きセグメンテーションアプローチより優れている。
  論文  参考訳（メタデータ） (2024-12-18T11:19:23Z)
• Inspiring the Next Generation of Segment Anything Models: Comprehensively Evaluate SAM and SAM 2 with Diverse Prompts Towards Context-Dependent Concepts under Different Scenes [97.8612925017964]
  何十億ものイメージに基づいてトレーニングされた大規模な基礎モデル - マスクペアは、シーン、オブジェクト、コンテキストの幅広い多様性をカバーする。 SAM2とそのアップグレード版SAM2はコンピュータビジョンの複数の分野に大きな影響を与えた。 自然, 医療, 産業のシーンにおいて, 11枚のCDのコンセプトを2次元, 3次元画像, ビデオで徹底的に評価する。
  論文  参考訳（メタデータ） (2024-12-02T08:03:56Z)
• Path-SAM2: Transfer SAM2 for digital pathology semantic segmentation [6.721564277355789]
  Path-SAM2はSAM2モデルに初めて適応し,病的セマンティックセグメンテーションの課題に適応する。 病理組織学における最大の事前学習型視覚エンコーダ(UNI)とオリジナルのSAM2エンコーダを統合し,病理学に基づく事前知識を付加する。 3つの腺腫の病理データセットにおいて、Path-SAM2は最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-08-07T09:30:51Z)
• SurgicalSAM: Efficient Class Promptable Surgical Instrument Segmentation [65.52097667738884]
  そこで本研究では,SAMの知識と外科的特異的情報を統合し,汎用性を向上させるための,新しいエンドツーエンドの効率的なチューニング手法であるScientialSAMを紹介した。 具体的には,タイピングのための軽量なプロトタイプベースクラスプロンプトエンコーダを提案し,クラスプロトタイプから直接プロンプト埋め込みを生成する。 また,手術器具カテゴリー間のクラス間差異の低さに対応するために,コントラッシブなプロトタイプ学習を提案する。
  論文  参考訳（メタデータ） (2023-08-17T02:51:01Z)
• SAM Meets Robotic Surgery: An Empirical Study on Generalization, Robustness and Adaptation [15.995869434429274]
  Segment Anything Model (SAM) はセグメンテーションの基本モデルとして機能する。 ロボット外科領域におけるSAMの頑健性とゼロショットの一般化性について検討した。
  論文  参考訳（メタデータ） (2023-08-14T14:09:41Z)
• 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)

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。