論文の概要: Benchmarking Foundation and Large Language Models for Few-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2607.27856v1
• Date: Thu, 30 Jul 2026 08:34:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.463314
• Title: Benchmarking Foundation and Large Language Models for Few-Shot Medical Image Segmentation
• Title（参考訳）: Few-Shot Medical Image Segmentationのためのベンチマーク基盤と大規模言語モデル
• Abstract要約: FS-MIS (Few-shot Medical Image segmentation) は、いくつかの注釈付きサポート例から興味深い領域を抽出することを目的としている。 既存のFS-MISソリューションは様々なパラダイムにまたがるが、一貫性のない設定で評価される。 FS-MISソリューション評価のための統一ベンチマークであるFAMEを紹介する。
• 参考スコア（独自算出の注目度）: 6.485015749813599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot medical image segmentation (FS-MIS) aims to segment novel regions of interest (ROIs) from a few annotated support examples. Despite rapid progress, existing FS-MIS solutions span diverse paradigms but are evaluated under inconsistent settings, leaving their relative effectiveness unclear. We introduce FAME, a unified benchmark for evaluating FS-MIS solutions, covering specialists, SAM-based methods, CLIP-based methods, and MLLM-based methods. FAME contains 14,958 test samples across 7 anatomical sites, 9 imaging modalities, and 14 ROI categories, and evaluates models under zero-shot and ten-shot settings with additional assessment of target-absence recognition and generalization under covariate and semantic shifts. Our evaluation reveals several findings. First, effective few-shot segmentation depends on how models exploit support examples: direct visual adaptation generally outperforms prompt-based strategies. Second, increasing support examples improves performance only when models can effectively utilize them. Third, semantic transfer remains substantially more challenging than imaging-domain adaptation, and strong localization ability does not necessarily imply reliable target-absence recognition. We hope FAME provides a comprehensive understanding of current FS-MIS solutions and facilitates the development of more effective and reliable few-shot medical segmentation methods.
• Abstract（参考訳）: FS-MIS (Few-shot Medical Image segmentation) は、いくつかの注釈付きサポート例から新しい関心領域(ROI)を抽出することを目的としている。 FS-MISソリューションは急速な進歩にもかかわらず、様々なパラダイムにまたがるが、一貫性のない設定で評価され、相対的な妥当性は明らかでない。 本稿では,FS-MISソリューション評価のための統一ベンチマークであるFAMEを紹介し,スペシャリスト,SAMベースの手法,CLIPベースの手法,MLLMベースの手法を紹介する。 FAMEは7つの解剖学的部位にわたる14,958の試験サンプル、9つの画像モダリティ、14のROIカテゴリを含み、ゼロショットおよび10ショット設定下でのモデルの評価と、共変量およびセマンティックシフトの下での目標存在認識と一般化のさらなる評価を含む。 私たちの評価にはいくつかの結果が浮かび上がっている。 直接視覚適応は一般的に、プロンプトベースの戦略よりも優れています。 第二に、サポートの例が増えれば、モデルが効果的に活用できる場合に限り、パフォーマンスが向上する。 第3に、セマンティックトランスファーは画像領域適応よりもかなり難しいままであり、強い位置化能力は必ずしも信頼性の高い目標存在認識を暗示しない。 我々は、FAMEが現在のFS-MISソリューションを包括的に理解し、より効果的で信頼性の高い少ショット医療セグメンテーション手法の開発を促進することを願っている。

関連論文リスト

• SD-FSMIS: Adapting Stable Diffusion for Few-Shot Medical Image Segmentation [4.580922649026417]
  Few-Shot Medical Image (FSMIS) は、最小限のアノテート例のみを用いて、新しいオブジェクトクラスを医療画像に分割することを目的としている。 SD-FSMISは、FSMISタスクに強力な安定拡散モデルを効果的に適応する新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-04-03T15:54:34Z)
• FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
  Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。 汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
  論文  参考訳（メタデータ） (2026-03-12T08:28:41Z)
• Leveraging Causal Reasoning Method for Explaining Medical Image Segmentation Models [15.976622378615714]
  医用画像のセグメンテーションは臨床的な意思決定において重要な役割を担い、病変の正確な局所化と指導的介入を可能にする。 現在の説明手法は主に分類作業に重点を置いており、セグメンテーション領域は比較的過小評価されている。 本稿では、因果推論フレームワークを用いて、平均処理効果(ATE)を指標として、入力領域やネットワークコンポーネントが対象セグメンテーション領域に与える影響を推定するセグメンテーションタスクの説明モデルを提案する。
  論文  参考訳（メタデータ） (2026-02-24T03:26:27Z)
• Matching-Based Few-Shot Semantic Segmentation Models Are Interpretable by Design [8.993770750003673]
  Few-Shot Semantic (FSS)モデルは、最小限のラベル付き例を持つ新規クラスのセグメンテーションにおいて強力な性能を達成する。 本稿では、マッチングベースのFSSモデルを解釈するための最初の専用手法を提案する。 Affinity Explainer アプローチは,画像のどのピクセルがクエリセグメンテーション予測に最も寄与しているかを示す属性マップを抽出する。
  論文  参考訳（メタデータ） (2025-11-22T19:22:10Z)
• Unified modality separation: A vision-language framework for unsupervised domain adaptation [60.8391821117794]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインでトレーニングされたモデルが新しいラベル付きドメインを扱うことを可能にする。 本稿では,モダリティ固有成分とモダリティ不変成分の両方に対応可能な統一モダリティ分離フレームワークを提案する。 提案手法は,9倍の計算効率で最大9%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-08-07T02:51:10Z)
• Cross-Modal Clustering-Guided Negative Sampling for Self-Supervised Joint Learning from Medical Images and Reports [11.734906190235066]
  本稿では,2次元のアイデアを用いたCross-Modal Cluster-Guided Negative Smpling (CM-CGNS)法を提案する。 まず、シングルモーダルドメインのローカルテキスト機能に使用されるk-meansクラスタリングを、クロスモーダルアテンションを通じてマルチモーダルドメインに拡張する。 第2に、マスクされた局所画像領域を再構成するために、クロスモーダルアテンションによって得られたローカルテキストと画像の特徴を利用する、CM-MIR(Cross-Modal Masked Image Reconstruction)モジュールを導入する。
  論文  参考訳（メタデータ） (2025-06-13T11:08:16Z)
• One-shot In-context Part Segmentation [97.77292483684877]
  パートセグメンテーションの課題に取り組むために,One-shot In-context Part (OIParts) フレームワークを提案する。 私たちのフレームワークは、トレーニングのない、フレキシブルで、データ効率のよいパートセグメンテーションに対して、新しいアプローチを提供します。 我々は多種多様な対象カテゴリで顕著なセグメンテーション性能を達成した。
  論文  参考訳（メタデータ） (2025-03-03T03:50:54Z)
• A Novel Benchmark for Few-Shot Semantic Segmentation in the Era of Foundation Models [7.428199805959228]
  Few-shot semantic segmentation (FSS) はコンピュータビジョンにおいて重要な課題である。 一般化的特徴抽出器としての視覚基盤モデル(VFM)の出現に伴い,これらのモデルをFSSに適用することを模索する。 本稿では,このタスクに適した単純で簡単な適応プロセスを備えた,新しい現実的なベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T19:50:51Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)

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。