論文の概要: Dual-Adaptive SAM3: Hierarchical Routing over Low-Rank Expert Layers for Parameter-Efficient Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2607.02571v1
- Date: Tue, 30 Jun 2026 08:14:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.329553
- Title: Dual-Adaptive SAM3: Hierarchical Routing over Low-Rank Expert Layers for Parameter-Efficient Medical Image Segmentation
- Title（参考訳）: Dual-Adaptive SAM3:パラメータ効率の良い医用画像分割のための低ランクエキスパート層上の階層的ルーティング
- Abstract要約: 本稿では,高いセグメンテーション精度と極端なパラメータ効率を実現する新しいフレームワークであるDual-Adaptive SAM3(DA-SAM3)を提案する。
私たちの最初の適応はタスク認識であり、最も関係のある専門家をわずかに活性化する動的エキスパートルータ(DER)です。
第2の適応はパラメータ認識です。
専門家(DPE)は、各専門家を共有凍結ベースとして表現する。
- 参考スコア（独自算出の注目度）: 11.100699187381961
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Segment Anything Model with Concepts (SAM3) heralds a new paradigm for open-vocabulary segmentation through natural language interaction, offering significant potential for medical image analysis. However, effectively adapting such a powerful vision-language model to the diverse and nuanced domain of medical imaging remains a key challenge. Naive fine-tuning is parameter-inefficient, while standard Mixture-of-Experts (MoE) methods introduce prohibitive computational overhead, limiting their clinical applicability. To address this, we propose Dual-Adaptive SAM3 (DA-SAM3), a novel framework that achieves both high segmentation accuracy and extreme parameter efficiency via a dual-adaptive specialization mechanism. Our first adaptation is task-aware: a Dynamic Expert Router (DER) that sparsely activates the most relevant experts by jointly reasoning about the visual input and the textual concept prompt, mimicking a clinical consultation process. Our second adaptation is parameter-aware: a Decomposed Parameterized Experts (DPE) design that represents each expert as a shared frozen base (inherited from the pretrained SAM3) and a lightweight trainable low-rank delta, reducing MoE parameter overhead by over 80\%. Extensive experiments on multiple public medical segmentation benchmarks demonstrate that Dual-Adaptive SAM3 not only matches or exceeds the accuracy of fully fine-tuned SAM3 and standard MoE baselines, but also achieves a notable 5\% gain over current state-of-the-art methods, with interpretable results validating its effectiveness. The code is available at: https://github.com/Reconsider80/DA-SAM3.
- Abstract（参考訳）: Segment Anything Model with Concepts (SAM3) は、自然言語の相互作用によるオープン語彙のセグメンテーションの新しいパラダイムを提唱し、医療画像解析に重要な可能性を秘めている。
しかし、このような強力なビジョン言語モデルを多様かつニュアンスのある医療画像領域に効果的に適用することは、依然として重要な課題である。
Naive fine-tuningはパラメータ非効率であり、Mixture-of-Experts (MoE) の標準的な手法は、禁止的な計算オーバーヘッドを導入し、臨床応用性を制限する。
そこで本研究では,高セグメンテーション精度と極端パラメータ効率を実現する新しいフレームワークであるDual-Adaptive SAM3(DA-SAM3)を提案する。
視覚的入力とテキスト概念のプロンプトを共同で推論し,臨床相談プロセスを模倣することによって,最も関係のある専門家を疎結合に活性化する動的エキスパートルータ(DER)を試作した。
2つ目の適応はパラメータ認識である: 分割パラメータ化エキスパート(DPE)設計は、各専門家を(事前訓練されたSAM3から継承された)共有フリーズベースと軽量なトレーニング可能な低ランクデルタとして表現し、MoEパラメータのオーバーヘッドを80%以上削減する。
複数の公開医療セグメンテーションのベンチマークにおいて、Dual-Adaptive SAM3は、完全に調整されたSAM3と標準のMoEベースラインの精度に適合するだけでなく、現在の最先端の手法よりも5倍の精度を達成し、その効果を解釈可能な結果が得られることを示した。
コードは、https://github.com/Reconsider80/DA-SAM3.comで入手できる。
関連論文リスト
- Step-Attention Refinement of DINOv3 Features for Efficient Anterior Eye Segmentation [0.0]
前眼節(AES)セグメンテーションは、眼生体計測と臨床画像解析の両分野において重要な要素である。
臨床環境でのAESセグメンテーションについて検討し, 蒸留したDINOv3 ViT-Smallバックボーン上に構築した軽量アーキテクチャを提案する。
提案手法は,8つの眼科的取得プロトコルにまたがる333個のAES画像から,7つの解剖学的クラスに注釈を付した。
論文 参考訳（メタデータ） (2026-07-29T16:11:11Z) - Parameter-Efficient Adaptation of SAM3 for Prompt-Driven Surgical Concept Segmentation [18.13208379344349]
本研究は,外科的概念セグメンテーションのためのSAM3のパラメータ効率の低いローランド適応(LoRA)適応を提案する。
低ランクのアダプタをプロンプトエンコーダ、検出器、トラッカーに注入し、全モデルパラメータの0.98%しか最適化しないビジョンバックボーンを完全に凍結する。
我々の手法はゼロショットSAM3と他の主流ベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-07-26T14:40:04Z) - ESICA: A Scalable Framework for Text-Guided 3D Medical Image Segmentation [14.190653103688883]
テキストガイド3D画像分割は、クラスベースおよび空間的プロンプトベースモデルの柔軟な代替手段を提供する。
既存のテキストガイドフレームワークは、しばしば計算コストが高く、弱いテキストボリュームの特徴的アライメントを示し、微妙な解剖学的詳細を捉えることができない。
3つのイノベーションを通じてこれらの課題に対処する軽量でスケーラブルなフレームワークであるESICAを提案する。
論文 参考訳（メタデータ） (2026-04-27T18:03:15Z) - MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。
我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
論文 参考訳（メタデータ） (2026-03-12T07:37:00Z) - 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) - MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。
事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。
最先端の微調整戦略を一貫して上回ります。
論文 参考訳（メタデータ） (2025-09-07T15:22:53Z) - MEPT: Mixture of Expert Prompt Tuning as a Manifold Mapper [75.6582687942241]
本稿では,Mixture of Expert Prompt Tuning (MEPT) を効果的かつ効率的な多様体マッピングフレームワークとして提案する。
MEPTは複数のプロンプト専門家を統合し、多様な非定常データ分布を適応的に学習する。
経験的評価により、MEPTはSuperGLUE上でいくつかの最先端パラメータの効率的なベースラインより優れていることが示された。
論文 参考訳（メタデータ） (2025-08-31T21:19:25Z) - PAM: A Propagation-Based Model for Segmenting Any 3D Objects across Multi-Modal Medical Images [11.373941923130305]
PAM(Propagating Anything Model)は、境界ボックスやスケッチのような2Dプロンプトを使用して、医療画像ボリュームの完全な3Dセグメンテーションを作成するセグメンテーションアプローチである。
MedSAMやSegVolのような既存のモデルでは、44の医療データセットと様々な種類のオブジェクトに対して平均18.1%以上のダイス類似度係数(DSC)が向上した。
論文 参考訳（メタデータ） (2024-08-25T13:42:47Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - 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。