論文の概要: PEFT-MedSAM: Efficient Fine-Tuning of Medical Foundation Models for Explainable Skin Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2606.18707v1
• Date: Wed, 17 Jun 2026 05:42:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.020216
• Title: PEFT-MedSAM: Efficient Fine-Tuning of Medical Foundation Models for Explainable Skin Lesion Segmentation
• Title（参考訳）: PEFT-MedSAM : 説明可能な皮膚病変分割のための医療基礎モデルの効率的な微調整
• Authors: Asad Channa, Abdullah Khan, Asghar Ali Chandio, Aamir Akbar, Shahzad Memon, Aqib Hussain, Ameer Hamza,
• Abstract要約: 本研究の目的は, PEFT-MedSAMとよばれるパラメータ効率のよい微細調整法を, 皮膚の皮膚病変を自動的に分類するためにMedSAM (Medicial Segment Anything Model) に適用することである。 ISIC 2018ベンチマークデータセットで実施された実験は、PEFT-MedSAMが.9411のサイス係数と.8918の共役値の交叉を得ることを示している。 PH2データセットを用いたモデルの外部検証は、+//-.0310の標準偏差を持つ.9467ダイス係数を示している。
• 参考スコア（独自算出の注目度）: 1.1448616389731152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated segmentation of skin lesions using deep learning models for dermoscopic images can be very helpful in finding melanomas earlier than they would normally be detected. However, most deep learning methods available do not perform well. The aim of this paper is to present a parameter-efficient fine-tuning method called PEFT-MedSAM for adapting the Medical Segment Anything Model (MedSAM) to automatically segment dermoscopic skin lesions. The PEFT-MedSAM method uses only the lightweight mask decoder for training the model while keeping the pre-trained image encoder and prompt encoder frozen. The experiments performed on the ISIC 2018 benchmark dataset shows that PEFT-MedSAM obtains a dice coefficient of .9411 and an intersection over union value of .8918 when compared to both a fully trained U-Net baseline (.8715 dice coefficient) and zero-shot MedSAM inference (.8997 dice coefficient). The external validation of the model using PH2 dataset shows .9467 dice coefficient with +/- .0310 standard deviation. Supportive evidence for these claims include a p-value less than .0001 for Wilcoxon signed rank tests comparing the two datasets and bootstrap-estimated 95% confidence intervals of [.9364,.9447] that represent the estimated range of possible values for the average dice coefficient obtained by repeating the test. To increase clinical trustworthiness, we used Grad-CAM explainability along with a pointing game based evaluation methodology to evaluate the CNN baseline model on the validation set. The results showed that we had an accuracy rate of 98.27% on the validation set of 519 images and confirmed that the model classified regions containing skin lesions.
• Abstract（参考訳）: 深層学習モデルを用いた皮膚病変の自動分画は,正常に検出されるよりも早期にメラノーマの発見に有用である。 しかし、ほとんどのディープラーニング手法は、うまく機能しない。 本研究の目的は, PEFT-MedSAMとよばれるパラメータ効率のよい微細調整法を, 皮膚の皮膚病変を自動的に分類するためにMedSAM (Medicial Segment Anything Model) に適用することである。 PEFT-MedSAM法は、トレーニング済みの画像エンコーダとプロンプトエンコーダを凍結させながら、モデルのトレーニングに軽量マスクデコーダのみを使用する。 ISIC 2018ベンチマークデータセットで実施された実験によると、PEFT-MedSAMは、完全に訓練されたU-Netベースライン(.8715ディス係数)とゼロショットMedSAM推論(.8997ディス係数)の両方と比較して、.9411のダイス係数と.8918のユニオン値の交点を得る。 PH2データセットを用いたモデルの外部検証では、+/- .0310の標準偏差を持つ.9467ダイス係数が示されている。 これらの主張を裏付ける証拠としては、ウィルコクソンの符号付きランクテストのp値が.0001未満で、2つのデータセットを比較し、[.9364,.9447]の95%信頼区間をブートストラップで推定し、テストを繰り返して得られる平均ダイス係数の可能な値の範囲を推定する。 臨床の信頼性を高めるため,我々はGrad-CAM説明可能性とポインティングゲームに基づく評価手法を用いて,CNNベースラインモデルの評価を行った。 結果より,519画像の検証セットでは98.27%の精度を示し,皮膚病変を含む領域を分類した。

関連論文リスト

• A Machine Vision Approach to Preliminary Skin Lesion Assessments [0.0]
  本研究は,皮膚内視鏡のABCD規則と機械学習の分類を併用した皮膚病変予備評価システムについて検討した。 ストクラッチからトレーニングされたカスタム3層畳み込みニューラルネットワーク(CNN)は78.5%の精度と86.5%のリコールを達成した。
  論文  参考訳（メタデータ） (2026-01-21T23:48:59Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• An analysis of data variation and bias in image-based dermatological datasets for machine learning classification [2.039829968340841]
  臨床皮膚学では、分類モデルはRGB画像のみを入力として、患者の皮膚の悪性病変を検出することができる。 学習に基づくほとんどの手法では、トレーニングにおいて皮膚科のデータセットから取得したデータを用いており、これは金の基準によって大きく検証されている。 本研究の目的は,皮膚内視鏡検査と臨床検査のギャップを評価し,データセットの変動がトレーニングに与える影響を理解することである。
  論文  参考訳（メタデータ） (2025-01-15T17:18:46Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• A Deep Learning-Based Method for Automatic Segmentation of Proximal Femur from Quantitative Computed Tomography Images [5.731199807877257]
  我々は、エンドツーエンドの完全畳み込みニューラルネットワーク(CNN)であるV on-Netに基づく3次元画像分割法を開発した。 提案手法の有効性を評価する実験を行った。
  論文  参考訳（メタデータ） (2020-06-09T21:16:47Z)

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。