論文の概要: SAMRI-3D: Adapting SAM2 for 3D MRI Segmentation with Global Volume Tokens

• arxiv url: http://arxiv.org/abs/2607.18014v1
• Date: Mon, 20 Jul 2026 14:48:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.663359
• Title: SAMRI-3D: Adapting SAM2 for 3D MRI Segmentation with Global Volume Tokens
• Title（参考訳）: SAMRI-3D:Global Volume Tokensを用いた3次元MRI分割のためのSAM2の適応
• Abstract要約: SAM2を用いた3次元MRI分割のためのベンチマークおよび手法であるSAMRI-3Dを提案する。 SAMRI-3Dベンチマークは、これまでで最大のMRIのみの評価である。 この完全なモデルSAMRI-3Dは、34のデータセットで最高の精度(0.78)と最低分散を実現している。
• 参考スコア（独自算出の注目度）: 7.014494732923701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models such as Segment Anything Model 2 (SAM2) have transformed natural-image and video segmentation, and recent work has begun adapting them to medical imaging. These adaptations, however, are largely general-purpose models that treat MRI as one modality among many; large-scale, MRI-specific modelling and benchmarking remain limited, even though MRI's low soft-tissue contrast leaves many boundaries effectively invisible on individual slices. We present SAMRI-3D, a benchmark and method for 3D MRI segmentation with SAM2. The SAMRI-3D benchmark is the largest MRI-only evaluation to date - 10,392 volumes from 34 datasets (27 public, 7 in-house) spanning 12 anatomical domains and 10+ sequences, with explicit seen/unseen splits. Freezing the image encoder and fine-tuning only the lightweight decoder and memory modules raises mean Dice from 0.58 (zero-shot SAM2) to 0.76, surpassing recent SAM-based medical models (SAMed-2 0.69, Medical-SAM2 0.49, SAM-Med3D 0.37) with strong statistical significance. To target invisible boundaries, we introduce Global Volume Tokens (GVT): persistent memory tokens trained with a Truncated Signed Distance Field (TSDF) reconstruction objective that is discarded at inference (zero added cost). This full model, SAMRI-3D, attains the best accuracy (0.78) and lowest variance across all 34 datasets and, uniquely, shows no drop on 8 held-out datasets (0.79 unseen vs. 0.78 seen); per-sequence analysis confirms the TSDF objective helps most where per-slice contrast is weakest. We will release the benchmark, code, and models in this paper.
• Abstract（参考訳）: Segment Anything Model 2 (SAM2) のような基礎モデルでは、自然像やビデオのセグメンテーションが変化しており、最近の研究は医療画像に適応し始めている。 しかし、これらの適応はMRIを1つのモダリティとして扱う汎用モデルであり、MRIの低い軟質なコントラストは個々のスライスに事実上見えない多くの境界を残しているにもかかわらず、大規模でMRI固有のモデリングとベンチマークは限定的のままである。 SAM2を用いた3次元MRI分割のためのベンチマークおよび手法であるSAMRI-3Dを提案する。 SAMRI-3Dベンチマークは、12の解剖学的ドメインと10以上のシーケンスにまたがる34のデータセット(27の公開、7の社内)から10,392のボリュームで、これまでで最大のMRIのみの評価である。 画像エンコーダをフリーズし、軽量デコーダとメモリモジュールのみを微調整すると、Diceの平均値は0.58(ゼロショットSAM2)から0.76に上昇し、最近のSAMベースの医療モデル(SAMed-2 0.69、Medical-SAM2 0.49、SAM-Med3D 0.37)をはるかに上回っている。 そこで我々は,GVT(Global Volume Tokens)を導入し,Truncated Signed Distance Field (TSDF) 再構成目標を用いて学習した永続的メモリトークンを推論時に破棄する(ゼロ加算コスト)。 この完全なモデルSAMRI-3Dは、34のデータセットで最高の精度(0.78)と最も低い分散を実現し、ユニークに8つの保持されたデータセット(0.79は見えず、0.78は見えません)に落下することはない。 この論文では、ベンチマーク、コード、モデルをリリースします。

関連論文リスト

• A Hybrid Mamba-SAM Architecture for Efficient 3D Medical Image Segmentation [0.4358626952482685]
  Mamba-SAMは、凍ったSAMエンコーダと、Mamba-based State Space Models (SSM)の線形時間効率と長距離モデリング機能を組み合わせた、新しくて効率的なハイブリッドアーキテクチャである。 本稿では,MFGC(Multi-Frequency Gated Convolution)を導入し,空間領域情報と周波数領域情報を3次元離散コサイン変換と適応ゲーティングにより共同解析することにより特徴表現を向上させる。 Dual-branch Mamba-SAM-Baseモデルでは、平均Diceスコアが0.906となり、UNet++ (0.907)に匹敵する。
  論文  参考訳（メタデータ） (2026-01-31T10:51:17Z)
• 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)
• AI-Driven MRI-based Brain Tumour Segmentation Benchmarking [0.0]
  本研究は,BraTS 2023成人グリオーマと小児科学データセットのゼロショット推論を得るために,小児科領域のSegment Anything Model (SAM2),Segment Anything Model 2 (SAM2),MedSAM,SAM-Med-3D,nnU-Netを用いている。 いくつかのモデルでは、有望なDiceスコア、特にSAMとSAM 2は、非常に正確なバウンディングボックスプロンプトが与えられたとき、それぞれ0.894と0.893のスコアを達成している。 しかし、nnU-Netはモデルに高精度なプロンプトを提供することの非現実性のため、医用画像セグメンテーションネットワークの主流のままである。
  論文  参考訳（メタデータ） (2025-06-25T19:18:26Z)
• Putting the Segment Anything Model to the Test with 3D Knee MRI - A Comparison with State-of-the-Art Performance [2.167419736510938]
  メニスキは膝の軟骨組織であり、関節の潤滑や重量分散に寄与する。 メニスシの正確な自動セグメンテーションは、半月状異常の早期発見と治療を可能にする。
  論文  参考訳（メタデータ） (2025-04-17T21:18:58Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Improved Baselines with Synchronized Encoding for Universal Medical Image Segmentation [34.08601740109437]
  SyncSAMは、医用画像符号化を強化するために、畳み込みとトランスフォーマー機能を統合した同期デュアルブランチエンコーダを使用する。 SyncSAMはテストセットで最先端のパフォーマンスを実現し、目に見えないデータセットで強力なゼロショット機能を示す。
  論文  参考訳（メタデータ） (2024-08-19T11:01:00Z)
• Novel adaptation of video segmentation to 3D MRI: efficient zero-shot knee segmentation with SAM2 [1.6237741047782823]
  Segment Anything Model 2 を応用した3次元膝関節MRIのゼロショット単発セグメンテーション法を提案する。 3次元医用ボリュームのスライスを個々のビデオフレームとして扱うことで、SAM2の高度な能力を利用して、モーションおよび空間認識の予測を生成する。 SAM2は、訓練や微調整を伴わずに、ゼロショット方式でセグメント化タスクを効率的に実行できることを実証する。
  論文  参考訳（メタデータ） (2024-08-08T21:39:15Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Stitching, Fine-tuning, Re-training: A SAM-enabled Framework for Semi-supervised 3D Medical Image Segmentation [40.79197318484472]
  SAMファインチューニングは, 医用画像のセグメンテーションにおいて, 完全に教師された方法で顕著な性能を示した。 SFR(Stitching, Fine-tuning, Re-training)という3段階のフレームワークを提案する。 我々のSFRフレームワークはプラグイン・アンド・プレイであり、様々な人気のある半教師付き手法と容易に互換性がある。
  論文  参考訳（メタデータ） (2024-03-17T14:30:56Z)
• Comprehensive Multimodal Segmentation in Medical Imaging: Combining YOLOv8 with SAM and HQ-SAM Models [0.24578723416255752]
  提案手法は, YOLOv8モデルを用いて, モダリティ間の近似境界ボックス検出を行う。 境界ボックスを生成するために、YOLOv8モデルは、各モードから100の画像とマスクの限られたセットを使用して訓練された。 YOLOv8, YOLOv8+SAM, YOLOv8+HQ-SAMモデルの個人および複合性能を評価するために比較分析を行った。
  論文  参考訳（メタデータ） (2023-10-04T20:30:49Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• 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)
• Segment Anything Model for Medical Images? [38.44750512574108]
  Segment Anything Model (SAM) は一般画像分割のための最初の基礎モデルである。 我々は18のモダリティ、84のオブジェクト、125のオブジェクトとモダリティのペアターゲット、1050Kの2Dイメージ、6033Kマスクを備えた大規模な医療セグメンテーションデータセットを構築した。 SAMはいくつかの特定のオブジェクトで顕著なパフォーマンスを示したが、不安定、不完全、あるいは他の状況で完全に失敗した。
  論文  参考訳（メタデータ） (2023-04-28T07:23:31Z)

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。