論文の概要: DiffuSAM: Diffusion-Based Prompt-Free SAM2 for Few-Shot and Source-Free Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.24719v1
• Date: Mon, 27 Apr 2026 17:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.271566
• Title: DiffuSAM: Diffusion-Based Prompt-Free SAM2 for Few-Shot and Source-Free Medical Image Segmentation
• Title（参考訳）: DiffuSAM:Diffusion-based Prompt-free SAM2 for Few-Shot and Source-free Medical Image Segmentation
• Authors: Tal Grossman, Noa Cahan, Lev Ayzenberg, Hayit Greenspan,
• Abstract要約: そこで,DiffuSAMを提案する。DiffuSAMはSAM2の拡散型適応であり,プロンプトフリーな医用画像セグメンテーションのための手法である。 本フレームワークは,市販の凍ったSAM2画像の特徴から,軽量拡散プライアを介し,SAM2互換のセグメンテーションマスク様の埋め込みを合成する。
• 参考スコア（独自算出の注目度）: 0.797970449705065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmentation models such as Segment Anything Model (SAM) and SAM2 achieve strong prompt-driven zero-shot performance. However, their training on natural images limits domain transfer to medical data. Consequently, accurate segmentation typically requires extensive fine-tuning and expert-designed prompts. We propose DiffuSAM, a diffusion-based adaptation of SAM2 for prompt-free medical image segmentation. Our framework synthesizes SAM2-compatible segmentation mask-like embeddings via a lightweight diffusion-prior from off-the-shelf frozen SAM2 image features. The generated embeddings are integrated into SAM2's mask decoder to produce accurate segmentations, thereby eliminating the need for user prompts. The diffusion prior is further conditioned on previously segmented slices, enforcing spatial consistency across volumes. Evaluated on the BTCV and CHAOS datasets for CT and MRI under Source-Free Unsupervised Domain Adaptation (SF-UDA) and Few-Shot settings, DiffuSAM achieves competitive performance with efficient training and inference. Code is available upon request from the corresponding author.
• Abstract（参考訳）: Segment Anything Model (SAM)やSAM2のようなセグメンテーションモデルは、強いプロンプト駆動のゼロショット性能を達成する。 しかし、自然画像の訓練は、医療データへのドメイン転送を制限する。 その結果、正確なセグメンテーションは通常、広範囲な微調整と専門家が設計したプロンプトを必要とする。 そこで,DiffuSAMを提案する。DiffuSAMはSAM2の拡散型適応であり,プロンプトフリーな医用画像セグメンテーションのための手法である。 本フレームワークは,市販の凍ったSAM2画像の特徴から,軽量拡散プライアを介し,SAM2互換のセグメンテーションマスク様の埋め込みを合成する。 生成された埋め込みはSAM2のマスクデコーダに統合され、正確なセグメンテーションを生成する。 拡散前の拡散は、以前分断されたスライスにさらに条件付けされ、ボリューム間の空間的一貫性が強制される。 Source-Free Unsupervised Domain Adaptation (SF-UDA)とFew-Shot設定の下で、CTおよびMRI用のBTCVおよびCHAOSデータセットに基づいて評価され、DiffuSAMは効率的なトレーニングと推論で競合性能を達成する。 コードは、対応する著者からの要求に応じて利用可能である。

関連論文リスト

• Evaluating SAM2 for Video Semantic Segmentation [60.157605818225186]
  Anything Model 2 (SAM2)は、画像とビデオの両方において、迅速な視覚オブジェクトのセグメンテーションのための強力な基盤モデルであることが証明されている。 本稿では, SAM2 から高密度ビデオセマンティック (VSS) への拡張について検討する。 我々の実験は、SAM2を利用することでVSSの全体的な性能が向上することを示唆している。
  論文  参考訳（メタデータ） (2025-12-01T15:15:16Z)
• 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)
• SAM2-SGP: Enhancing SAM2 for Medical Image Segmentation via Support-Set Guided Prompting [11.439997127887324]
  人為的なプロンプトへの依存は、SAM2を医療画像のセグメンテーションタスクに適応させる上で大きな課題となる。 我々は,手動プロンプトの必要性を解消するフレームワークであるSAM2-SGP(サポートセット誘導プロンプト)を用いたSAM2を提案する。 提案モデルはSAM2のメモリ機構を活用し,Pseudo-mask Generation (PMG)モジュールを用いたサポートセットからイメージマスクペアを用いて擬似マスクを生成する。
  論文  参考訳（メタデータ） (2025-06-24T14:22:25Z)
• 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)
• DB-SAM: Delving into High Quality Universal Medical Image Segmentation [100.63434169944853]
  本稿では,2次元医療データと2次元医療データとのギャップを埋めるために,DB-SAMという二分岐型SAMフレームワークを提案する。 文献における最近の医療用SAMアダプタと比較して,DB-SAMは8.8%向上した。
  論文  参考訳（メタデータ） (2024-10-05T14:36:43Z)
• RevSAM2: Prompt SAM2 for Medical Image Segmentation via Reverse-Propagation without Fine-tuning [4.590933790796203]
  本稿では,医療画像セグメンテーションのための簡易かつ効果的な自己補正フレームワークであるRevSAM2を紹介する。 RevSAM2は、微調整を必要とせず、目に見えない3D画像分割タスクにおいて優れた性能を発揮する。 我々は,ラベル効率の良い医用画像セグメンテーションにおけるSAM2の可能性について,微調整なしで初めて検討した。
  論文  参考訳（メタデータ） (2024-09-06T14:17:09Z)
• Unleashing the Potential of SAM for Medical Adaptation via Hierarchical Decoding [15.401507589312702]
  本稿では,医療画像の高速微調整のためのSegment Anything Model (SAM) の即時適応であるH-SAMを紹介する。 初期段階では、H-SAMはSAMのオリジナルのデコーダを使用して、より複雑なデコードプロセスの導出として、以前の確率マスクを生成する。 我々のH-SAMは、既存のプロンプトフリーSAMよりも平均Diceが4.78%改善していることを示す。
  論文  参考訳（メタデータ） (2024-03-27T05:55:16Z)
• AutoSAM: Adapting SAM to Medical Images by Overloading the Prompt Encoder [101.28268762305916]
  この作業では、Segment Anything Modelを同じ入力イメージで動作するエンコーダに置き換える。 複数の医用画像とビデオのベンチマークで最先端の結果を得る。 内部の知識を検査し、軽量なセグメンテーションソリューションを提供するために、浅いデコンボリューションネットワークによってマスクに復号化することを学ぶ。
  論文  参考訳（メタデータ） (2023-06-10T07:27:00Z)
• Medical SAM Adapter: Adapting Segment Anything Model for Medical Image Segmentation [51.770805270588625]
  Segment Anything Model (SAM)は画像セグメンテーションの分野で最近人気を集めている。 近年の研究では、SAMは医用画像のセグメンテーションにおいて過小評価されている。 ドメイン固有の医療知識をセグメンテーションモデルに組み込んだ医療SAMアダプタ(Med-SA)を提案する。
  論文  参考訳（メタデータ） (2023-04-25T07:34:22Z)

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。