論文の概要: 3D Segment Anything Model with Visual Mamba for Diagnosing Placenta Accreta Spectrum

• arxiv url: http://arxiv.org/abs/2606.00489v2
• Date: Tue, 02 Jun 2026 08:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 18:57:50.354964
• Title: 3D Segment Anything Model with Visual Mamba for Diagnosing Placenta Accreta Spectrum
• Title（参考訳）: 胎盤アクレタスペクトル診断のための視覚マンバを用いた3次元セグメンテーションモデル
• Authors: Yuliang Zhang, Fang He, Lulu Peng, Tianyu Yan, Pingping Zhang, Ting Song, Lili Du, Dunjin Chen,
• Abstract要約: Placenta Accreta Spectrum (PAS) は珍しいが、非常に危険な産婦人科疾患である。 従来のPAS診断は、帝王切開の歴史とMRI(Magnetic Resonance Imaging)データを分析することによって、経験豊富な医師に依存している。 我々は,粒度の細かなセグメンテーションと分類アノテーションを含む最初のMRIベースのPASデータセットを構築した。
• 参考スコア（独自算出の注目度）: 35.89714934702222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Placenta Accreta Spectrum (PAS) is a rare but highly dangerous obstetric disease. Early and accurate PAS diagnosis is critical for maternal health. Traditional PAS diagnosis relies on experienced doctors by analyzing the cesarean history and Magnetic Resonance Imaging (MRI) data. However, district-level hospitals often lack the expertise and resources for accurate PAS diagnosis. To address these challenges, we establish the first MRI-based PAS dataset, which includes both fine-grained segmentation and classification annotations. Meanwhile, diagnosing PAS can be significantly enhanced by segmenting lesion areas from MRI images of the uterus. To achieve automatic PAS diagnosis, we propose 3DSAMba, a novel feature learning framework for effective lesion segmentation. More specifically, we first design a 3D Segment Anything Model (SAM) and incorporate medical domain information into the model through an efficient adapter mechanism. In addition, we introduce a Multi-Level Aggregation Mamba (MLAM) to aggregate feature maps across different levels and a Fusion State Space Model (FSSM) to fuse multi-scale features from both the encoder and decoder. Finally, we apply segmentation masks to the original MRI images through element-wise multiplication, effectively isolating lesion areas for more accurate PAS diagnosis. Extensive experiments validate that our framework significantly improves the PAS diagnostic performance. To facilitate further research in PAS diagnosis, we have released the dataset and source code at https://github.com/Drchip61/PASD.
• Abstract（参考訳）: Placenta Accreta Spectrum (PAS) は珍しいが、非常に危険な産婦人科疾患である。 早期かつ正確なPAS診断は母体健康にとって重要である。 従来のPAS診断は、帝王切開の歴史とMRI(Magnetic Resonance Imaging)データを分析することによって、経験豊富な医師に依存している。 しかし、地域レベルの病院は、正確なPAS診断のための専門知識やリソースを欠いていることが多い。 これらの課題に対処するため、我々は、きめ細かいセグメンテーションと分類アノテーションを含む最初のMRIベースのPASデータセットを構築した。 また, 子宮MRI像から病変領域を分画することにより, PASの診断を著しく向上させることができる。 PASの自動診断を実現するために, 効果的な病変分割のための新しい特徴学習フレームワークである3DSAMbaを提案する。 より具体的には、まずSAM (3D Segment Anything Model) を設計し、効率的なアダプタ機構によって医療ドメイン情報をモデルに組み込む。 さらに,多層アグリゲーション・マンバ (MLAM) を導入し,様々なレベルの特徴マップを集約し,エンコーダとデコーダの両方のマルチスケール機能を融合させる融合状態空間モデル (FSSM) を導入する。 最後に, 元のMRI画像に分割マスクを応用し, より正確なPAS診断のために, 病変領域を効果的に分離する。 大規模な実験により,本フレームワークはPAS診断性能を大幅に改善することを確認した。 PAS診断のさらなる研究を容易にするため、データセットとソースコードをhttps://github.com/Drchip61/PASDで公開しました。

関連論文リスト

• Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
  医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。 診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:22:42Z)
• BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification [0.6840587119863303]
  我々は,脳腫瘍のセグメンテーションと分類タスクのためのデータセットであるBRISCを紹介し,高分解能セグメンテーションマスクを特徴とする。 データセットは6000のコントラスト強化T1強調MRIスキャンで構成され、セグメンテーションラベルを欠いた複数の公開データセットから照合された。 悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
  論文  参考訳（メタデータ） (2025-06-17T08:56:05Z)
• Panoptic Segmentation and Labelling of Lumbar Spine Vertebrae using Modified Attention Unet [2.8730926763860687]
  腰椎の3次元スライスMRIデータのパノプティカルセグメンテーションのための改良型注意U-Netアーキテクチャを提案する。 本手法は,新しいマスキングロジックを取り入れた99.5%の精度を実現する。
  論文  参考訳（メタデータ） (2024-04-28T19:35:00Z)
• 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)
• CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark Model for Rectal Cancer Segmentation [8.728236864462302]
  CT画像の直腸癌セグメンテーションは、タイムリーな臨床診断、放射線治療、経過観察において重要な役割を担っている。 これらの障害は直腸の複雑な解剖学的構造と直腸癌の鑑別診断の困難から生じる。 これらの課題に対処するため,本研究では,正常直腸と癌直腸の両方にピクセルレベルのアノテーションを付加した,新しい大規模直腸癌CT画像データセットCAREを導入する。 また,U-SAMと命名された新しい癌病変セグメンテーションベンチマークモデルを提案する。 このモデルは、迅速な情報を取り入れることで、腹部器官の複雑な解剖学的構造によって引き起こされる課題に対処するように設計されている。
  論文  参考訳（メタデータ） (2023-08-16T10:51:27Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
  本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。 GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。 実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
  論文  参考訳（メタデータ） (2022-02-21T04:37:25Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)

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。