論文の概要: Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM

• arxiv url: http://arxiv.org/abs/2604.23314v1
• Date: Sat, 25 Apr 2026 14:09:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.264026
• Title: Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM
• Title（参考訳）: ノイズのあるプロンプトからの学習:SAMを用いたロバストセグメンテーションのための塩分誘導プロンプト蒸留
• Authors: Jingxuan Kang, Ziqi Zhang, Shaoming Zheng, Shuang Li, Uday Bharat Patel, Alexander Harry Fitzhugh, Phillip Lung, Yusuf Kiberu, Nikesh Jathanna, Shahnaz Jamil-Copley, Bernhard Kainz, Chen Qin,
• Abstract要約: Segment Anything Model (SAM)は強力なゼロショット機能を提供するが、弱い、汎用的でノイズの多いプロンプトの下で崩壊し、実際の臨床を支配している。 SPDは、信頼できないキューを堅牢なガイダンスに変換する、塩分誘導型プロンプト蒸留フレームワークである。 SPDは、既存のSAM適応を一貫して上回り、リージョンベースとバウンダリベースの両方で大きな利益をもたらす。
• 参考スコア（独自算出の注目度）: 46.344226429758606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmentation is central to clinical diagnosis and monitoring, yet the reliability of modern foundation models in medical imaging still depends on the availability of precise prompts. The Segment Anything Model (SAM) offers powerful zero-shot capabilities, although it collapses under the weak, generic, and noisy prompts that dominate real clinical workflows. In practice, annotations such as centerline points are coarse and ambiguous, often drifting across neighboring anatomy and misguiding SAM toward inconsistent or incomplete masks. We introduce SPD, a Saliency-Guided Prompt Distillation framework that converts these unreliable cues into robust guidance. SPD first learns data-driven anatomical priors through a lightweight saliency head to obtain confident localization maps. These priors then drive Contextual Prompt Distillation, which validates and enriches noisy prompts using cues from anatomically adjacent slices, producing a consensus prompt set that matches the behavior of expert reasoning. A Pairwise Slice Consistency objective further enforces local anatomical coherence during segmentation. Experiments on four challenging MRI and CT benchmarks demonstrate that SPD consistently outperforms existing SAM adaptations and supervised baselines, delivering large gains in both region-based and boundary-based metrics. SPD provides a practical and principled path toward reliable foundation model deployment in clinical environments where only imperfect prompts are available.
• Abstract（参考訳）: セグメンテーションは、臨床診断とモニタリングの中心であるが、医療画像における現代の基礎モデルの信頼性は、正確なプロンプトの可用性に依存している。 Segment Anything Model (SAM)は強力なゼロショット機能を提供するが、実際の臨床ワークフローを支配する弱く汎用的でノイズの多いプロンプトの下に崩壊する。 実際には、中心点のようなアノテーションは粗く曖昧であり、しばしば近隣の解剖学を横切り、SAMを一貫性のないマスクや不完全なマスクへと誘導する。 SPD(Saliency-Guided Prompt Distillation framework)を紹介する。 SPDはまず、軽量なサリエンシヘッドを通じてデータ駆動型解剖学の事前学習を行い、信頼性の高いローカライゼーションマップを得る。 これは、解剖学的に隣接したスライスからのキューを使用してノイズのあるプロンプトを検証し、強化し、専門家の推論の振る舞いにマッチするコンセンサスプロンプトセットを生成する。 Pairwise Slice Consistencyの目標は、セグメンテーション中の局所的な解剖学的コヒーレンスをさらに強化する。 4つの挑戦的なMRIとCTベンチマークの実験は、SPDが既存のSAM適応と教師付きベースラインを一貫して上回り、リージョンベースと境界ベースの両方のメトリクスに大きな利益をもたらすことを示した。 SPDは、不完全なプロンプトしか利用できない臨床環境において、信頼性の高い基礎モデルの展開に向けて、実用的で原則化された経路を提供する。

関連論文リスト

• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Progressive Uncertainty-Guided Evidential U-KAN for Trustworthy Medical Image Segmentation [11.953394478206581]
  本研究では,硬質領域の特徴表現学習に焦点を合わせるために,プログレッシブ・エビデンス・ガイドド・アテンション(PEUA)機構を提案する。 従来のアプローチとは異なり、PEUAは注意重みを軽視するために低ランク学習を使用しながら、不確実性マップを使用して注意を徐々に洗練する。 そこで我々は,意味保存エビデンス学習(SAEL)戦略を導入し,セマンティック・スムース・エビデンス・ジェネレータとフィデリティ・エンハンス・正規化項を統合して,重要なセマンティクスを維持する。
  論文  参考訳（メタデータ） (2025-10-10T02:58:01Z)
• 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)
• Human-Guided Shade Artifact Suppression in CBCT-to-MDCT Translation via Schrödinger Bridge with Conditional Diffusion [1.5869861104370917]
  我々はSchrodinger Bridge (SB) の定式化を基礎としたCBCT-to-MDCT翻訳のための新しいフレームワークを提案する。 提案手法はCBCT入力と疑似ターゲットの境界の整合性を明示し,解剖学的忠実度と知覚的制御性の両方を保証する。
  論文  参考訳（メタデータ） (2025-07-15T06:44:53Z)
• Point-supervised Brain Tumor Segmentation with Box-prompted MedSAM [11.861051009791224]
  セマンティック・アウェア・ポイント管理型MedSAMを実現するための反復的フレームワークを提案する。 Box-prompt generator (SBPG)モジュールは、ポイント入力を潜在的に擬似境界ボックス提案に変換する能力を持つ。 Prompt-Guided Space refinement (PGSR)モジュールは、MedSAMの例外的な一般化性を利用して、セグメンテーションマスクを推測する。
  論文  参考訳（メタデータ） (2024-08-01T16:52:39Z)
• SAM-Driven Weakly Supervised Nodule Segmentation with Uncertainty-Aware Cross Teaching [13.5553526185399]
  自動結節分割は超音波画像におけるコンピュータ支援診断に不可欠である。 近年、SAMのようなセグメンテーション基礎モデルは、自然画像に顕著な一般化性を示している。 本研究では, セグメンテーション基盤モデルを利用して擬似ラベルを生成する, 弱教師付きフレームワークを考案する。
  論文  参考訳（メタデータ） (2024-07-18T14:27:54Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
  リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。 第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。 第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
  論文  参考訳（メタデータ） (2024-04-12T20:39:19Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
  決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-07-01T17:59:07Z)

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。