Fugu-MT 論文翻訳(概要): Prompt-Guided Interactive Segmentation of Interstitial Lung Disease in Thoracic CT

論文の概要: Prompt-Guided Interactive Segmentation of Interstitial Lung Disease in Thoracic CT

arxiv url: http://arxiv.org/abs/2608.28453v1
Date: Fri, 28 Aug 2026 15:43:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.384366
Title: Prompt-Guided Interactive Segmentation of Interstitial Lung Disease in Thoracic CT
Title（参考訳）: 胸部CTにおけるprompt-Guided Interactive Segmentation
Abstract要約: 胸部CTにおけるインタラクティブな3次元LDセグメンテーションのためのMedSAM2の初回適応について述べる。 BBox(bounding-boxes),point, lasso, scribble(scribble)の3つの微調整戦略と複数の臨床的動機付けプロンプトについて検討した。 7つのILDパターンと健康な肺組織にまたがるデータセットでは、フルモデル微調整が最善であった。 BBoxは最強のパフォーマンスを達成するが、ラッソやスクリブルプロンプトのような非ネイティブなMedSAM2相互作用も有効である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Accurate segmentation of interstitial lung disease (ILD) patterns is essential for quantitative disease assessment and longitudinal monitoring. However, existing approaches remain limited by relying on dense annotations and producing static predictions that cannot be refined, motivating interactive approaches. While promptable models show promise in interactive segmentation, their adaptation to ILDs remains largely unexplored. To address this gap, we investigate prompt-guided foundation models for ILD refinement and present, to the best of our knowledge, the first adaptation of MedSAM2 for interactive 3D ILD segmentation on thoracic CT. We investigate three fine-tuning strategies and multiple clinically motivated prompts: bounding-boxes (BBox), point, lasso, and scribble. On a dataset spanning seven ILD patterns and healthy lung tissue, full model fine-tuning performed best, improving the average Dice score by 4.7 percentage points over MedSAM2.While BBox prompts achieve the strongest performance, non-native MedSAM2 interactions such as lasso and scribble prompts also prove effective. Finally, we present and evaluate a proof-of-concept end-to-end workflow in which MedSAM2 is initialized from an automatic segmentation prior and subsequently refined using radiologist prompts. Model weights and plug-ins made available at: https://github.com/AIHNlab/ILD-SemiSegTool.
Abstract（参考訳）: 間質性肺疾患(ILD)パターンの正確なセグメンテーションは、定量的な疾患評価と経時的モニタリングに不可欠である。しかし、既存のアプローチは、密集したアノテーションに依存し、洗練できない静的な予測を生成し、インタラクティブなアプローチを動機付けることで制限されている。対話的セグメンテーションにおいて、即時的なモデルは有望であるが、ILDへの適応はほとんど未解明のままである。このギャップに対処するため, 胸部CT上での3次元ILDセグメンテーションのためのMedSAM2の最初の適応として, ILDリファインメントのための即時誘導基礎モデルについて検討した。 BBox(bounding-boxes),point, lasso, scribble(scribble)の3つの微調整戦略と複数の臨床的動機付けプロンプトについて検討した。 7つのILDパターンと健康な肺組織にまたがるデータセットでは、フルモデル微調整が最善であり、平均DiceスコアがMedSAM2よりも4.7ポイント向上した。最後に、MedSAM2が自動セグメンテーションから初期化され、その後、放射線学的なプロンプトを用いて洗練される概念実証のエンド・ツー・エンドワークフローを提示し、評価する。モデルウェイトとプラグインは、https://github.com/AIHNlab/ILD-SemiSegTool.comで入手できる。

関連論文リスト

Multiple Myeloma Lesion Segmentation on Whole-Body Diffusion-Weighted Imaging via Efficient Anatomical Anticipation and Multimodal Confirmation [28.876740706448345]
WB-DWIを用いたMM病変分割のための2段階フレームワークを提案する。第1段階では,専用の骨ラベルを使わずに,ADC画像から骨ROI生成モデルを訓練する。第2段階では、解剖誘導型マルチモーダルU-Netを提案する。
論文参考訳（メタデータ） (2026-09-05T16:08:29Z)
Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence [45.78409219344429]
マルチモーダル大言語モデル (MLLM) は, 臨床VQAと放射線学報告の生成に強い期待を示すが, 推測時幻覚は信頼性を損なう。本稿では,両面のエビデンス注入による幻覚を系統的に緩和する,総合的かつトレーニング不要なエビデンス注入フレームワークを提案する。 textttLLaVA-1.5-7B, texttLLaVA-Med-1.5-7B, texttQwen3-VL-8B/32B, textttInternVL を用いた2つのタスクと5つのデータセットの系統的評価を行った。
論文参考訳（メタデータ） (2026-06-30T08:07:25Z)
Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM [46.344226429758606]
Segment Anything Model (SAM)は強力なゼロショット機能を提供するが、弱い、汎用的でノイズの多いプロンプトの下で崩壊し、実際の臨床を支配している。 SPDは、信頼できないキューを堅牢なガイダンスに変換する、塩分誘導型プロンプト蒸留フレームワークである。 SPDは、既存のSAM適応を一貫して上回り、リージョンベースとバウンダリベースの両方で大きな利益をもたらす。
論文参考訳（メタデータ） (2026-04-25T14:09:11Z)
MedAD-R1: Eliciting Consistent Reasoning in Interpretible Medical Anomaly Detection via Consistency-Reinforced Policy Optimization [46.65200216642429]
我々はMedADの最初の大規模マルチモーダル・マルチセンタベンチマークであるMedAD-38Kを紹介し、構造化された視覚質問応答(VQA)ペアとともに、CoT(Chain-of-Thought)アノテーションを特徴付ける。提案するモデルであるMedAD-R1は、MedAD-38Kベンチマーク上での最先端(SOTA)性能を実現し、強いベースラインを10%以上上回った。
論文参考訳（メタデータ） (2026-02-01T07:56:10Z)
SAM2-3dMed: Empowering SAM2 for 3D Medical Image Segmentation [7.646703242040606]
SAM2-3dMed を3次元医用画像に応用した SAM2-3dMed を提案する。スライス相対位置予測(SRPP)モジュールは、双方向のスライス間の依存関係を明示的にモデル化する。境界検出(Bundary Detection, BD)モジュールは、重要な臓器と組織の境界に沿ったセグメンテーションの精度を高める。提案手法は,3次元医用画像のセグメンテーション性能を向上するだけでなく,映像中心の基礎モデルを空間データに適用するための一般的なパラダイムを提供する。
論文参考訳（メタデータ） (2025-10-10T03:23:05Z)
MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。最先端の微調整戦略を一貫して上回ります。
論文参考訳（メタデータ） (2025-09-07T15:22:53Z)
MedSAM-CA: A CNN-Augmented ViT with Attention-Enhanced Multi-Scale Fusion for Medical Image Segmentation [10.36607107686106]
アーキテクチャレベルの微調整手法であるMedSAM-CAを提案する。皮膚内視鏡のデータセットでは、MedSAM-CAは全トレーニングデータのわずか2%で94.43%のDiceを達成し、全データトレーニングパフォーマンスの97.25%に達した。
論文参考訳（メタデータ） (2025-06-30T10:24:29Z)
Self-adaptive vision-language model for 3D segmentation of pulmonary artery and vein [18.696258519327095]
本稿では,言語誘導型自己適応型クロスアテンション・フュージョン・フレームワークを提案する。提案手法は,3次元CTスキャンのセグメンテーションを生成するための強力な特徴抽出器として,事前訓練したCLIPを採用している。これまでで最大の肺動脈ベインCTデータセットである局所的データセットを用いて,本手法を広範囲に検証した。
論文参考訳（メタデータ） (2025-01-07T12:03:02Z)
CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
論文参考訳（メタデータ） (2024-05-28T15:17:58Z)
Automatic segmentation of lung findings in CT and application to Long COVID [38.69538648742266]
S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。 S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
論文参考訳（メタデータ） (2023-10-13T23:42:43Z)
Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文参考訳（メタデータ） (2022-09-07T05:01:38Z)
Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文参考訳（メタデータ） (2020-10-04T10:25:13Z)

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。