論文の概要: A Few Cases Are All You Need: An Empirical Study of Annotation-Efficient LoRA Fine-Tuning of MedSAM3

• arxiv url: http://arxiv.org/abs/2608.18731v1
• Date: Wed, 19 Aug 2026 09:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.364028
• Title: A Few Cases Are All You Need: An Empirical Study of Annotation-Efficient LoRA Fine-Tuning of MedSAM3
• Title（参考訳）: MedSAM3のアノテーション効率の良いLoRAファインチューニングに関する実証的研究
• Abstract要約: 腹部CTとMRIの5臓器にMedSAM3を併用し, AMOS22データセットを用いて, 1例, 5例, 10例のアノテート例を用いて検討した。 わずか10の注釈付きケースで、モデルは、桁違いに多くのデータで訓練された専門家システムと性能を競うことができる。 以上の結果より,10症例は臨床的に有用なセグメンテーションに十分であり,画像アノテーションとトレーニング時間の両方のボトルネックを効果的に軽減できる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation is essential for clinical workflows such as treatment planning and disease assessment. While specialist tools like TotalSegmentator and MRSegmentator achieve strong performance, they require large annotated datasets for training. Medical foundation models offer a promising alternative through large-scale pretraining that reduces the annotation burden for new tasks, but zero-shot performance remains limited. Parameter-efficient adaptation via Low-Rank Adaptation (LoRA) enables efficient specialization with few trainable parameters, but a key question remains: how many expert-annotated cases are needed to achieve clinically useful segmentation performance? We address this by adapting MedSAM3 with LoRA for five abdominal organs (liver, kidneys, spleen, gallbladder, and pancreas) in CT and MRI using only 1, 2, 5, and 10 annotated cases, evaluating on AMOS22 dataset. With just 10 cases, models achieve performance competitive with specialist systems trained on orders of magnitude more data. Notably, this includes reliable gallbladder segmentation (Dice 0.68 CT, 0.59 MRI) where existing tools fail almost completely (Dice 0.0004), while remaining within 5--10% of MRSegmentator for liver, kidneys, and spleen using over 100 times fewer annotations. Furthermore, external validation on the Whole Heart Segmentation dataset shows that the approach extends to cardiac segmentation, a use case beyond the scope of TotalSegmentator (MRI) and MRSegmentator, achieving competitive left ventricle (LV) performance with only 10 annotated cases. Training requires only3--5,hours per organ on a single GPU, approximately 2--3 times faster than nnU-Net. These findings suggest that ten annotated cases are sufficient for clinically useful segmentation, effectively reducing bottlenecks for both image annotation and training time.
• Abstract（参考訳）: 医療画像のセグメンテーションは、治療計画や疾患評価などの臨床ワークフローに不可欠である。 TotalSegmentatorやMSSegmentatorのような専門的なツールは高いパフォーマンスを達成するが、トレーニングには大きなアノテートデータセットが必要である。 医療ファウンデーションモデルは、大規模な事前訓練を通じて、新しいタスクに対するアノテーションの負担を軽減できる有望な代替手段を提供するが、ゼロショット性能は依然として限られている。 Low-Rank Adaptation (LoRA)によるパラメータ効率適応は、トレーニング可能なパラメータの少ない効率的な特殊化を可能にするが、重要な疑問が残る。 MedSAM3を5つの腹部臓器(肝,腎,脾臓,胆嚢,膵臓)に,1, 2, 5, 10の注釈症例のみを用い,AMOS22データセットを用いて検討した。 たった10ケースで、モデルは、桁違いに多くのデータに基づいて訓練された専門家システムと性能を競うことができる。 特に、この中には信頼性の高い胆嚢分画(Dice 0.68 CT, 0.59 MRI)が含まれており、既存のツールはほぼ完全に失敗するが(Dice 0.0004)、肝臓、腎臓、脾臓に対するMSRegmentatorの5-10%以内にとどまり、100倍以上のアノテーションを減らしている。さらに、Whole Heart分画データセットの外部検証では、アプローチが心分画(TotalSegmentator (MRI)とMSSegmentatorの範囲を超えて、競合する左心室(LV)のパフォーマンスを10のアノテートケースで達成している。 以上の結果より,10症例は臨床的に有用なセグメンテーションに十分であり,画像アノテーションとトレーニング時間の両方のボトルネックを効果的に軽減できる可能性が示唆された。

関連論文リスト

• Segmentation Pre-training for Label-Efficient Lumbar Spine Degeneration Grading [0.0]
  椎骨,椎間板 (IVD) , 脊柱管の3D ResNetエンコーダを前訓練した。 我々は、利用可能なトレーニングデータの異なる割合を用いて、軽量なタスク固有グルーピングヘッドを微調整する。 プレトレーニング後のグレーティングラベルの20%しか持たなかったため、この手法はフルスーパービジョンに近い性能を達成できた。
  論文  参考訳（メタデータ） (2026-08-05T13:14:46Z)
• DINO-MVR: Multi-View Readout of Frozen DINOv3 for Annotation-Efficient Medical Segmentation [10.929173865297933]
  凍結したDINOv3の特徴は,すでに医用セグメンテーションに有用な構造的および境界的手がかりを含んでいる。 アノテーション効率のよい医療セグメンテーションのための多視点読み出しフレームワークであるDINO-MVRを提案する。
  論文  参考訳（メタデータ） (2026-05-08T04:13:01Z)
• Automated Prostate Gland Segmentation in MRI Using nnU-Net [0.14777718769290524]
  本稿では, nnUNet v2 フレームワークを用いた前立腺自動分節のためのディープラーニングに基づく専用アプローチを提案する。 提案したモデルでは、クロスバリデーションでは平均Diceスコアが0.96+/-0.00、外部テストセットでは0.82となり、ドメインシフトにもかかわらず強い一般化が示された。
  論文  参考訳（メタデータ） (2026-04-02T12:28:03Z)
• 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)
• J-RAS: Enhancing Medical Image Segmentation via Retrieval-Augmented Joint Training [0.0]
  本稿では,探索モデルとセグメンテーションモデルを統合したガイド画像セグメンテーションのジョイントトレーニング手法を提案する。 どちらのモデルも最適化されており、セグメンテーションモデルは取得した画像とマスクのペアを利用して解剖学的理解を深めることができる。 2つのベンチマークデータセット上で、U-Net、TransUNet、SAM、SegFormerを含む複数のセグメンテーションバックボーンにわたるJ-RASを検証する。
  論文  参考訳（メタデータ） (2025-10-11T01:53:28Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Assessing Foundational Medical 'Segment Anything' (Med-SAM1, Med-SAM2) Deep Learning Models for Left Atrial Segmentation in 3D LGE MRI [0.0]
  心房細動(AF)は心不整脈の最も一般的な疾患であり、心不全や脳卒中と関連している。 多様なデータセットで事前トレーニングされたSegment Anything Model(SAM)のようなディープラーニングモデルは、ジェネリックセグメンテーションタスクにおいて有望であることを示している。 MedSAMモデルの可能性にもかかわらず、3D LGE-MRIにおけるLAセグメンテーションの複雑なタスクについてはまだ評価されていない。
  論文  参考訳（メタデータ） (2024-11-08T20:49:54Z)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。