論文の概要: SGP-SAM: Self-Gated Prompting for Transferring 3D Segment Anything Models to Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2604.22825v1
- Date: Sun, 19 Apr 2026 10:22:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:06.963741
- Title: SGP-SAM: Self-Gated Prompting for Transferring 3D Segment Anything Models to Lesion Segmentation
- Title（参考訳）: SGP-SAM:3次元セグメントモデルから病変セグメントへの移動のための自己ゲート型プロンプト
- Authors: Zixuan Tang, Shen Zhao,
- Abstract要約: SGP-SAMは, 3次元病変のセグメンテーションを効果的かつ効果的に伝達するための自己ゲートプロンプトフレームワークである。
我々のキーコンポーネントであるSelf-Gated Prompting Module (SGPM)は条件付きマルチスケール空間拡張を行う。
MSD肝腫瘍とMSD脳腫瘍の実験はSAM-Med3Dに基づく強い転移基線よりも一貫した増加を示した。
- 参考スコア（独自算出の注目度）: 9.53765398422759
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large segmentation foundation models such as the Segment Anything Model (SAM) have reshaped promptable segmentation in natural images, and recent efforts have extended these models to medical images and volumetric settings. However, directly transferring a 3D SAM-style model to lesion segmentation remains challenging due to (i) weak spatial representational capacity for small, irregular targets in intermediate features, and (ii) extreme foreground-background imbalance in 3D volumes.We propose SGP-SAM, a self-gated prompting framework for efficient and effective transfer to 3D lesion segmentation. Our key component, the Self-Gated Prompting Module (SGPM), performs conditional multi-scale spatial enhancement: a lightweight multi-channel gating unit predicts whether the current features require additional multi-scale fusion, and only then activates a Multi-Scale Feature Fusion Block to enrich spatial context. To further address small-lesion learning, we design a Zoom Loss that up-weights lesion-focused supervision by combining Dice and a voxel-balanced focal term.Experiments on MSD Liver Tumor and MSD Brain Tumor (enhancing tumor) show consistent gains over strong transfer baselines based on SAM-Med3D. On MSD Liver Tumor, SGP-SAM improves mDice by 7.3% over fine-tuning.
- Abstract（参考訳）: SAM(Segment Anything Model)のような大きなセグメンテーション基盤モデルは、自然画像において即時セグメンテーションを形作り直し、近年の取り組みでは、これらのモデルを医療画像やボリューム設定に拡張している。
しかし、3D SAMスタイルのモデルを直接病変のセグメンテーションに転送することは依然として困難である。
一 中間特徴の小さい不規則な目標に対する弱空間表現能力及び
SGP-SAMは, 3次元病変セグメンテーションを効果的かつ効果的に伝達するための自己ゲートプロンプトフレームワークである。
軽量なマルチチャネルゲーティングユニットは、現在の特徴が追加のマルチスケールフュージョンを必要とするかどうかを予測し、その上で、空間コンテキストを豊かにするマルチスケールフィーチャーフュージョンブロックを起動する。
Diceとvoxel- balanced focal termを組み合わせたZoom Lossを設計し,MSD肝腫瘍とMSD脳腫瘍(造影腫瘍)に対する実験により,SAM-Med3Dに基づく強い転写ベースラインに対する一貫した利得を示した。
MSD肝腫瘍では、SGP-SAMは微調整よりもmDiceを7.3%改善する。
関連論文リスト
- 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) - BALR-SAM: Boundary-Aware Low-Rank Adaptation of SAM for Resource-Efficient Medical Image Segmentation [11.634558989215392]
Segment Anything Model (SAM)のようなビジョン基盤モデルは、ドメイン固有の適応が欠如しているため、しばしば医療画像のセグメンテーションに苦労する。
医療画像のSAMを強化する境界対応低ランク適応フレームワークであるBALR-SAMを提案する。
2) SAMのVision Transformerブロックに組み込まれた低ランクのアダプタは、医学的コンテキストにおける特徴表現と注意を最適化し、同時にパラメータ空間を著しく削減する。
論文 参考訳（メタデータ） (2025-09-29T02:36:09Z) - TAGS: 3D Tumor-Adaptive Guidance for SAM [20.390209826784087]
本稿では, SAM 用腫瘍適応ガイダンス (TAGS: tumor Adaptive Guidance for SAM) という適応フレームワークを提案する。
マルチプロンプト融合により、2D FMを3D医療タスクにアンロックする。
我々のモデルは最先端の医療画像セグメンテーションモデルを上回る。
論文 参考訳（メタデータ） (2025-05-21T04:02:17Z) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文 参考訳（メタデータ） (2024-03-09T13:37:02Z) - 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) - 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)
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。