論文の概要: SARFA: Segment Anything with Radiomic Feature Alignment
- arxiv url: http://arxiv.org/abs/2607.13323v1
- Date: Tue, 14 Jul 2026 23:09:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.602397
- Title: SARFA: Segment Anything with Radiomic Feature Alignment
- Title（参考訳）: SARFA: 放射線機能アライメントを備えたセグメンテーション
- Abstract要約: Segment Anything Model (SAM) は、様々なセグメンテーションタスクにおいて強力な一般化可能性を示している。
これは、腫瘍などの標的の正確な記述が不可欠である医療画像において問題となる。
医用画像のセグメンテーションを改善するための新しいフレームワークであるSARFAを提案する。
- 参考スコア（独自算出の注目度）: 0.790660895390689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Segment Anything Model (SAM) has demonstrated strong generalizability across a variety of segmentation tasks. However, SAM often struggles in situations where the target to be segmented is ambiguous. This poses a problem in medical imaging, where accurate delineation of targets such as tumors is vital, but even expert radiologists can disagree on the appropriate boundary for a target. Addressing this, we propose SARFA (Segment Anything with Radiomic Feature Alignment), a novel framework for improved medical image segmentation. Via probabilistic prompting, SARFA generates a diverse set of plausible masks for each input image and optimizes them with a radiomics-driven training objective based on Fréchet Radiomic Distance (FRD) and Direct Preference Optimization (DPO). By minimizing the FRD between masked predicted and ground truth regions within each image, SARFA encourages segmentation outputs whose anatomical and textural characteristics align with clinically meaningful ground truth representations, without relying solely on pixel-level overlap. Evaluated on computed tomography (CT) and magnetic resonance imaging (MRI) benchmarks, SARFA outperforms existing ambiguous segmentation methods, demonstrating the effectiveness of radiomic feature alignment and DPO-style candidate mask ranking as a training objective. Our code is available at https://github.com/tbwa233/SARFA.
- Abstract（参考訳）: Segment Anything Model (SAM) は、様々なセグメンテーションタスクにおいて強力な一般化可能性を示している。
しかしSAMは、セグメント化されるターゲットが曖昧な状況でしばしば苦労する。
これは、腫瘍のような標的の正確な線引きが不可欠である医療画像において問題となるが、専門家の放射線学者でさえ、標的の適切な境界について意見が一致しない可能性がある。
SARFA(Segment Anything with Radiomic Feature Alignment)は,医療画像のセグメンテーションを改善するための新しいフレームワークである。
確率的プロンプトにより、SARFAは入力画像ごとに多種多様な可視マスクを生成し、フレシェ放射距離(FRD)と直接選好最適化(DPO)に基づく放射能駆動訓練目標を用いてそれらを最適化する。
各画像内の被写体予測領域と接地真理領域の間のFRDを最小化することにより、SARFAは、ピクセルレベルの重なりにのみ依存することなく、臨床的に意味のある基底真理表現と解剖学的およびテクスチャ的特徴が一致したセグメンテーション出力を奨励する。
SARFAはCT(CT)とMRI(MRI)のベンチマークで評価され、既存の曖昧なセグメンテーション法よりも優れており、放射線学的特徴アライメントとDPOスタイルのマスクランキングのトレーニング目標としての有効性を実証している。
私たちのコードはhttps://github.com/tbwa233/SARFAで公開されています。
関連論文リスト
- Feature Quality and Adaptability of Medical Foundation Models: A Comparative Evaluation for Radiographic Classification and Segmentation [5.33356570264555]
胸部X線解析のための8つの医用および一般領域FMから視線エンコーダを評価する。
リニアプローブと微調整による分類(気胸,心内膜)とセグメンテーション(気胸,心境界)のベンチマークを行った。
論文 参考訳（メタデータ） (2025-11-12T21:16:12Z) - RadiomicsRetrieval: A Customizable Framework for Medical Image Retrieval Using Radiomics Features [3.0015555136149175]
RadiomicsRetrievalは、医用画像のための3Dコンテンツベースの検索フレームワークである。
既存の2Dアプローチとは異なり、RadiomicsRetrievalは、医療画像のよりリッチな空間コンテキストを活用するために、ボリュームデータを完全に活用する。
論文 参考訳（メタデータ） (2025-07-11T12:48:25Z) - FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。
本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
論文 参考訳（メタデータ） (2024-05-28T11:47:12Z) - MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。
3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
論文 参考訳（メタデータ） (2024-03-29T15:59:11Z) - SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location
on MRI [13.912230325828943]
本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。
提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。
1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
論文 参考訳（メタデータ） (2024-01-23T18:59:25Z) - I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。
トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
論文 参考訳（メタデータ） (2023-11-28T00:43:52Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳（メタデータ） (2022-07-10T06:32:56Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z)
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。