Fugu-MT 論文翻訳(概要): Parameter-Efficient Fine-Tuning of Foundation Models for Liver Tumor Segmentation in CT

論文の概要: Parameter-Efficient Fine-Tuning of Foundation Models for Liver Tumor Segmentation in CT

arxiv url: http://arxiv.org/abs/2609.14106v1
Date: Sat, 12 Sep 2026 19:07:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.687429
Title: Parameter-Efficient Fine-Tuning of Foundation Models for Liver Tumor Segmentation in CT
Title（参考訳）: CTにおける肝腫瘍分離のための基礎モデルのパラメータ効率の良い微調整
Abstract要約: 大腸癌肝転移の腹部CTにおける肝腫瘍分節に対するSegment Anything Model(SAM)のパラメーター効率細調整(PEFT)について検討した。低ランク適応(LoRA)、4ビット量子化LoRA(QLoRA)、畳み込みアダプタ(Conv-Adapter)、指向スペクトルトップKアダプタ(DiSCo)を比較した。 Conv-AdapterとLoRAは最高精度(全Dice 0.793と0.792)、シングルポイントDice 0.795と0.792、95パーセントのハウスドルフ距離(HD95)32を達成した。
参考スコア（独自算出の注目度）: 1.9403818519796712
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We evaluated parameter-efficient fine-tuning (PEFT) of the Segment Anything Model (SAM) for liver tumor segmentation in abdominal CT of colorectal liver metastases. We compared Low-Rank Adaptation (LoRA), 4-bit Quantized LoRA (QLoRA), a convolutional adapter (Conv-Adapter), and our Directional Spectral Top-K adapter (DiSCo), training only adapters while freezing the SAM backbone. DiSCo derives spectral bases from singular value decomposition of row-normalized weights and learns rank-gated spectral coefficients, per-output magnitude offsets, and a spectral gain, with optional Top-K rank selection at inference and 0.14 M trainable parameters. We benchmarked five prompting regimes: no prompt, single-point, multi-point, and bounding boxes at intersection over union 0.50 and 0.75. Conv-Adapter and LoRA achieved the highest accuracy (overall Dice 0.793 and 0.792; single-point Dice 0.795 and 0.792; 95th-percentile Hausdorff distance (HD95) 32 mm). QLoRA was close (overall Dice 0.766; single-point Dice 0.768; HD95 36.41 mm), with 0.91 M trainable parameters, 120 ms latency, and 4.9 GB peak memory. DiSCo achieved the highest Dice per million trainable parameters (4.66), with overall Dice 0.653, single-point Dice 0.698, and HD95 49.53 mm. These results show an accuracy-efficiency trade-off and support PEFT for liver tumor segmentation with reduced adaptation costs when compute and labeled data are limited. Code: https://github.com/Ramtin-Mojtahedi/PEFT-SAM-Liver-CT
Abstract（参考訳）: 大腸癌肝転移の腹部CTにおける肝腫瘍分節に対するSegment Anything Model(SAM)のパラメーター効率細調整(PEFT)について検討した。我々は,ローランド適応 (LoRA), 4ビット量子化LoRA (QLoRA), 畳み込みアダプタ (Conv-Adapter), 指向スペクトルトップKアダプタ (DiSCo) を比較し,SAMバックボーンを凍結しながらアダプタのみを訓練した。 DiSCoは、行正規化重みの特異値分解からスペクトル基底を導出し、ランク付きスペクトル係数、出力毎の等級オフセット、スペクトルゲインを学習し、推論時のTop-Kランク選択と0.14Mトレーニング可能なパラメータを任意に選択する。我々は、0.50と0.75の交差点で、プロンプトなし、シングルポイント、マルチポイント、バウンディングボックスの5つのプロンプトレジームをベンチマークした。 Conv-AdapterとLoRAは最高精度(全Dice 0.793と0.792、単点Dice 0.795と0.792、95パーセントのハウスドルフ距離 (HD95) 32 mm)を達成した。 QLoRAは近い(全Dice 0.766、シングルポイントDice 0.768、HD95 36.41 mm)。 DiSCoは、Dice 0.653、シングルポイントのDice 0.698、HD95 49.53mmのトレーニング可能なパラメータ(4.66)で最高点を達成した。これらの結果から,肝腫瘍セグメント化におけるPEFTの精度と効率のトレードオフが示唆され,計算およびラベル付きデータが制限された場合の適応コストが低減された。コード:https://github.com/Ramtin-Mojtahedi/PEFT-SAM-Liver-CT

関連論文リスト

Spectral Adapters for Segment Anything Model-based Segmentation of Colorectal Liver Metastases in Computed Tomography [1.6111769386474124]
我々は,Segment Anything Model (SAM) のための2つのパラメータ係数スペクトルアダプタを提案する。 446造影CTボリューム(355トレーニング,91テスト)におけるこれらの手法の評価 SiGAはDiceスコア0.77、IoU0.69、HD9535.39mmで最高のシングルポイントパフォーマンスを達成した。
論文参考訳（メタデータ） (2026-09-10T15:26:15Z)
LeCor: Learning to Be Corrected by Meta-Learned Test-Time Training for Interactive 3D Lung-Tumour Segmentation [45.86925813888675]
肺腫瘍におけるSAM 3の微調整は、0.298から0.757までの1点のプロンプトから得られるDiceを上昇させ、7ラウンドの補正によりさらに0.765まで上昇させる。ケース毎にリセットされたケースアダプタの小さなセットでテスト時間トレーニングを行うLeCorを提案する。 LeCor は 7 回の補正ラウンドを 0.787 から 0.827 に引き上げ、0.80 を 47 から 27 に到達しないケースの数を 47 から 27 に減らし、3 回の補正ラウンドで細調整モデルが 7 で到達した精度を下げる。
論文参考訳（メタデータ） (2026-09-08T21:49:56Z)
Parameter-Efficient pretrained-CT-to-MRI Transfer for Rectal Cancer Segmentation: Performance-Calibration Trade-offs [3.0748861313822995]
直腸癌における術前パラメータ-eFモデルであるSWIFTと腫瘍認識微細チューニングについて紹介する。 10,444個の3次元CTボリュームで事前訓練したSwin V2エンコーダを4つの累積構成によりT2強調MRIに適用した。計測精度, 腫瘍検出, 放射線学的一致, 確率校正について検討した。
論文参考訳（メタデータ） (2026-08-27T14:27:49Z)
Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文参考訳（メタデータ） (2026-07-23T09:59:30Z)
Weight-Space Geometry of Offline Reasoning Training [39.20113202952282]
単一ベースモデル(Qwen3-4B)と注意のみのLoRAを用いた同一の数学的ロールアウトにおける6つの方法(SFT, RFT, DFT, RIFT, Offline GRPO, DPO)を,コサイン類似性,主角部分空間解析,線形モード接続性,CKAを用いて解析した。 i) SFT, RFT, RIFTは、ほぼコリニアウェイトデルタ(cosine >= 0.97, top-1 principal angle 7 deg median over 144 module)と同等のGSM8K精度(87-88%, n=1)を持つ。
論文参考訳（メタデータ） (2026-06-21T15:34:21Z)
Improving Generalization of Deep Learning for Brain Metastases Segmentation Across Institutions [5.4585656405659195]
この作業の目標は、BMセグメンテーションを複数の機関で使用できるようにするためのドメイン適応フレームワークを作ることである。本稿では,変分オートエンコーダ(VAE)と平均誤差損失(MMD)を組み合わせたVAE-MMD前処理パイプラインを提案する。
論文参考訳（メタデータ） (2026-04-01T02:25:25Z)
Coronary Artery Segmentation and Vessel-Type Classification in X-Ray Angiography [0.0]
低コントラスト, 運動, 前向き, 重なり, カテーテルが脱グレード血管セグメンテーションを呈した。 RCAは98.5%(Dice 0.844)、LADは95.4%(0.786)、LCXは96.2%(0.794)である。
論文参考訳（メタデータ） (2026-01-24T11:56:49Z)
Fixed-Budget Parameter-Efficient Training with Frozen Encoders Improves Multimodal Chest X-Ray Classification [0.0]
マルチモーダル胸部X線分析は、しばしば計算コストのかかる大きな視覚言語モデルを微調整する。我々は,インディアナ大学チェストX線データセットのマルチラベル分類のための冷凍エンコーダ,BitFit,LoRA,アダプタなど,パラメータ効率のよいトレーニング戦略について検討した。
論文参考訳（メタデータ） (2025-12-25T05:02:19Z)
Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
論文参考訳（メタデータ） (2025-11-21T21:50:34Z)
PulmoFusion: Advancing Pulmonary Health with Efficient Multi-Modal Fusion [31.28925796862013]
従来のリモートスピロメトリでは、効果的な肺モニタリングに必要な精度が欠如している。本稿では,RGBやサーマルビデオデータと患者のメタデータを統合するマルチモーダル予測モデルを用いた,新しい非侵襲的アプローチを提案する。
論文参考訳（メタデータ） (2025-01-29T15:10:09Z)
MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
論文参考訳（メタデータ） (2024-05-10T13:15:42Z)
Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
論文参考訳（メタデータ） (2022-09-16T03:55:48Z)

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。