論文の概要: ViPSAM: Visual Prompting Medical Image Segmentation Using Segment Anything Model

• arxiv url: http://arxiv.org/abs/2607.14328v1
• Date: Wed, 15 Jul 2026 19:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.898966
• Title: ViPSAM: Visual Prompting Medical Image Segmentation Using Segment Anything Model
• Title（参考訳）: ViPSAM: セグメンテーションモデルを用いた医用画像の視覚的プロンプト
• Abstract要約: プロトン療法計画では, 呼吸性非造影CT(NCCT)が病変の分節に一般的に用いられている。 相補的な相互モダリティ情報を活用する視覚的プロンプトフレームワークであるViPSAMを提案する。 プロトン療法のためのNCCTを用いた肝病変の分節法について検討した。
• 参考スコア（独自算出の注目度）: 4.023417156982924
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In proton therapy planning, respiratory-gated non-contrast CT (NCCT) is commonly used for lesion segmentation; however, accurate delineation remains challenging due to low lesion-to-background contrast. Although learning-based methods have shown strong performance, they often struggle with non-contrast image segmentation. Inspired by clinical practice, where contrast-enhanced MRI is referenced to delineate lesions on NCCT, we propose ViPSAM, a visual prompting framework that leverages complementary cross-modality information. Built upon the Segment Anything Model (SAM), ViPSAM introduces a visual prompt encoder to extract guidance features from contrast-enhanced images and a visual-guided cross-attention module to integrate non-contrast and contrast-enhanced features, thereby enhancing lesion-relevant representations in low-contrast regions. The mask decoder is further adapted in a parameter-efficient manner to utilize visual prompts effectively. We evaluate the proposed method on liver lesion segmentation using NCCT acquired for proton therapy. Experimental results demonstrate that ViPSAM outperforms representative U-Net- and SAM-based methods, indicating that cross-modality visual prompting enables more robust and accurate segmentation in non-contrast images.
• Abstract（参考訳）: プロトン療法計画では, 呼吸誘導性非造影CT(NCCT)が病変の分画に一般的に用いられているが, 病変と背景のコントラストが低いため, 正確な脱線が困難である。 学習に基づく手法は高い性能を示すが、非コントラスト画像のセグメンテーションに苦慮することが多い。 造影MRIでNCCTの病変を規定する臨床実践に着想を得て, 相補的な相互モダリティ情報を活用する視覚的プロンプトフレームワークであるViPSAMを提案する。 Segment Anything Model (SAM)に基づいて、ViPSAMはコントラスト強調画像から誘導特徴を抽出する視覚プロンプトエンコーダと、非コントラストおよびコントラスト強調特徴を統合する視覚誘導横断モジュールを導入し、低コントラスト領域における病変関連表現を強化する。 マスクデコーダはさらにパラメータ効率の良い方法で適応し、視覚的プロンプトを効果的に活用する。 プロトン療法のためのNCCTを用いた肝病変の分節法について検討した。 実験により、VPSAMはU-NetおよびSAMベースの代表手法よりも優れており、非コントラスト画像において、モダリティ間の視覚的プロンプトによりより堅牢で正確なセグメンテーションが可能であることが示されている。

関連論文リスト

• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Here Comes the Explanation: A Shapley Perspective on Multi-contrast Medical Image Segmentation [0.1675245825272646]
  そこで我々は,脳腫瘍セグメンテーションにおける標準指標に基づいてトレーニングした最先端のモデルについて,コントラストレベルのShapley値を用いて説明する。 以上の結果から,Shapley解析は腫瘍セグメンテーションに使用する異なるモデルの挙動に関する貴重な知見を提供することが示された。
  論文  参考訳（メタデータ） (2025-04-06T23:52:07Z)
• SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage Segmentation [18.867207134086193]
  脳梗塞診断と手術計画において,頭蓋内出血分節は重要かつ困難なステップである。 そこで我々は,脳内出血セグメンテーションのためのSAM-based parameter- efficient fine-tuning法(SAMIHS)を提案する。 2つの公開データセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T14:23:09Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
  我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。 実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2023-01-13T12:03:58Z)
• 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)
• Contrastive Image Synthesis and Self-supervised Feature Adaptation for Cross-Modality Biomedical Image Segmentation [8.772764547425291]
  CISFAは、画像ドメインの翻訳と、クロスモーダルなバイオメディカルなイメージセグメンテーションのための教師なしの機能適応に基づいている。 我々は,片側生成モデルを用いて,入力画像のサンプルパッチと対応する合成画像との重み付けパッチワイドコントラスト損失を付加する。 腹腔・全心に対するCTおよびMRI画像を含むセグメンテーションタスクについて検討した。
  論文  参考訳（メタデータ） (2022-07-27T01:49:26Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。