Fugu-MT 論文翻訳(概要): MedSAM2-Anatomy: Training-Free Inference-Time Optimization for Musculoskeletal Segmentation

論文の概要: MedSAM2-Anatomy: Training-Free Inference-Time Optimization for Musculoskeletal Segmentation

arxiv url: http://arxiv.org/abs/2608.00195v1
Date: Fri, 31 Jul 2026 18:23:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:24.548094
Title: MedSAM2-Anatomy: Training-Free Inference-Time Optimization for Musculoskeletal Segmentation
Title（参考訳）: MedSAM2- anatomy: Training-free Inference-Time Optimization for Musculoskeletal Segmentation
Abstract要約: CTおよびMRIによる股関節・肩部解剖の高分解能な3次元分割は外科的計画に不可欠である。 CNNベースのエキスパートモデルは完全に自動化されているが、適応性はないが、プロンプト可能な基礎モデルはより一般化されているが、手動のプロンプトが必要である。 MedSAM2-Anatomyは、トレーニング不要な推論時間最適化フレームワークで、リトレーニングや人間との相互作用なしに凍結セグメンテーションモデルを改善する。
参考スコア（独自算出の注目度）: 0.4070253196472759
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-resolution 3D segmentation of hip and shoulder anatomy from CT and MRI is essential for surgical planning, yet frozen segmentation models often fail under domain shift. CNN-based expert models are fully automatic but lack adaptability, whereas promptable foundation models generalize better but require manual prompting. We present MedSAM2-Anatomy, a training-free inference-time optimization framework that improves frozen segmentation models without retraining or human interaction. A frozen expert model generates anatomical priors that are automatically converted into multiple prompt hypotheses for a frozen 3D foundation model. Candidate masks are fused while anatomically implausible priors are rejected. No model weights are updated and no manual prompts are required. TotalSegmentator and MedSAM2 are used as representative expert and foundation models, allowing the contribution of the inference policy to be isolated. Evaluation on the independent Balgrist-V0 CT and MRI cohorts shows that inference-time optimization increases median Dice from 0.71 to 0.92 on hip MRI and from 0.89 to 0.92 on shoulder CT, while reducing median HD95 on hip MRI from 22.0 mm to 5.0 mm. On public TotalSegmentator benchmarks, the expert model remains strongest, indicating that the optimal fusion strategy depends on the reliability of the expert prior. These results demonstrate that training-free inference-time optimization provides a practical strategy for improving frozen segmentation models without manual prompting.
Abstract（参考訳）: 手術計画にはCTおよびMRIによる股関節・肩部解剖の高分解能な3次元分節化が不可欠であるが,凍結分節モデルはしばしばドメインシフトの下で失敗する。 CNNベースのエキスパートモデルは完全に自動化されているが、適応性はないが、プロンプト可能な基礎モデルはより一般化されているが、手動のプロンプトが必要である。 MedSAM2-Anatomyは、トレーニング不要な推論時間最適化フレームワークで、リトレーニングや人間との相互作用なしに凍結セグメンテーションモデルを改善する。凍結した専門家モデルは、凍結した3D基礎モデルのために自動的に複数のプロンプト仮説に変換される解剖学的事前を生成する。候補マスクは融解され、解剖学的に不可解な先行マスクは拒絶される。モデルの重みは更新されず、手動のプロンプトも不要である。 TotalSegmentatorとMedSAM2は代表的な専門家および基礎モデルとして使われ、推論ポリシーの貢献を分離することができる。独立したBalgrist-V0 CTとMRIコホートの評価では、推測時間最適化は、股関節MRIでは0.71から0.92に、肩CTでは0.89から0.92に増加し、MRIでは22.0 mmから5.0 mmに減少している。パブリックなTotalSegmentatorベンチマークでは、エキスパートモデルは依然として最強であり、最適な融合戦略は以前のエキスパートの信頼性に依存していることを示している。これらの結果は,手動のプロンプトを使わずに凍結セグメンテーションモデルを改善するための実践的戦略として,トレーニングフリーな推論時間最適化が有効であることを示している。

関連論文リスト

CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
論文参考訳（メタデータ） (2026-06-13T13:51:10Z)
D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文参考訳（メタデータ） (2026-05-21T09:55:42Z)
Prompting with the human-touch: evaluating model-sensitivity of foundation models for musculoskeletal CT segmentation [0.858656554664746]
人力環境での最も最適なFMの選択はいまだに難しい。高い性能のFMでさえ、人間の入力プロンプトのバリエーションに敏感である。
論文参考訳（メタデータ） (2026-03-11T08:45:54Z)
Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文参考訳（メタデータ） (2026-03-08T09:54:08Z)
DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文参考訳（メタデータ） (2025-10-16T07:31:21Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
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)
Re-DiffiNet: Modeling discrepancies in tumor segmentation using diffusion models [1.7995110894203483]
本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
論文参考訳（メタデータ） (2024-02-12T01:03:39Z)
Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models [1.8231394717039833]
非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
論文参考訳（メタデータ） (2022-09-24T15:04:23Z)
Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文参考訳（メタデータ） (2021-05-28T19:27:51Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。