論文の概要: BaT-SAM: Introducing Inductive Bias into SAM via a Mixture of Convolutional Experts for Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2610.15330v1
- Date: Sun, 11 Oct 2026 04:09:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 01:35:58.269748
- Title: BaT-SAM: Introducing Inductive Bias into SAM via a Mixture of Convolutional Experts for Brain Tumor Segmentation
- Title（参考訳）: BaT-SAM:脳腫瘍切除の専門家の混入によるSAMへの誘導バイアス導入
- Abstract要約: 本稿では,Segment Anything Model(SAM)を用いた完全自動脳腫瘍分割を可能にするパラメータ効率適応フレームワークBaT-SAMを提案する。
BaT-SAMは、Conv-LoRAを介してSAMの凍結ビジョントランスフォーマー(ViT)エンコーダに局所誘導バイアスを注入する。
ユーザプロンプトの必要をなくすために,アダプタと共同で最適化された軽量なセルフプロンプティングボックスレグレシタを導入する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate brain tumor segmentation from magnetic resonance imaging (MRI) is essential for diagnosis and treatment planning; however, manual delineation is labor-intensive and time-consuming. Existing approaches are either task-specific with limited generalization or rely on user-provided prompts during inference. We present BaT-SAM, a parameter-efficient adaptation framework that enables fully automatic brain tumor segmentation with the Segment Anything Model (SAM). BaT-SAM injects local inductive bias into SAM's frozen Vision Transformer (ViT) encoder via Conv-LoRA, where image features are processed by a sparsely gated mixture of multi-scale convolutional experts. This design compensates for the limited translation-equivariant inductive bias of vanilla ViTs while fine-tuning fewer than 5M parameters (less than 1% of the full model). To remove the need for user prompts, we further introduce a lightweight self-prompting box regressor that is jointly optimized with the adapter using scheduled sampling and predicts tumor locations directly from image embeddings. On the BRISC2025 benchmark, BaT-SAM achieves a weighted mean IoU of 0.832 while outperforming state-of-the-art benchmarks. It further demonstrates strong cross-dataset generalization, achieving Dice scores of 0.702 on Figshare and 0.784 on the LGG MRI Segmentation dataset.
- Abstract（参考訳）: MRIによる脳腫瘍の正確な分節化は診断と治療計画に不可欠であるが、手動による分節化は労働集約的であり、時間を要する。
既存のアプローチはタスク固有であり、一般化が限られているか、推論中にユーザーが提供するプロンプトに依存している。
本稿では,Segment Anything Model (SAM) を用いた完全自動脳腫瘍分割を可能にするパラメータ効率適応フレームワークであるBaT-SAMを提案する。
BaT-SAMはSAMの凍結したビジョントランスフォーマー(ViT)エンコーダに局所的な誘導バイアスをConv-LoRAを介して注入する。
この設計は、バニラ ViT の限定的な翻訳同変帰納バイアスを補うとともに、5M 以下のパラメータ(フルモデルの1%未満)を微調整する。
さらに,ユーザプロンプトの必要をなくすために,スケジュールされたサンプリングを用いてアダプタと共同最適化し,画像埋め込みから直接腫瘍位置を予測する軽量なセルフプロンプティングボックスレグレシタを導入する。
BRISC2025ベンチマークでは、BaT-SAMは0.832の重み付き平均IoUを達成し、最先端ベンチマークを上回っている。
さらに、強いデータセットの一般化を示し、FigshareではDiceスコア0.702、LGG MRI Segmentationデータセットでは0.784を達成している。
関連論文リスト
- Lightweight Vision Transformer-Based U-Net for Brain Tumor Segmentation from MRI [0.0]
本稿では,UNetの階層的特徴抽出機能と視覚変換器のグローバルコンテキストモデリングを組み合わせた軽量なビジョン変換器UNetを提案する。
提案アーキテクチャは,U-NetエンコーダデコーダフレームワークにコンパクトなViTボトルネックを組み込むことで,局所的特徴とグローバルな特徴の両方を効果的に学習することができる。
論文 参考訳（メタデータ） (2026-09-24T13:26:08Z) - 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) - 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) - 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) - 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) - EMA-SAM: Exponential Moving-average for SAM-based PTMC Segmentation [1.7674345486888503]
EMA-SAMはSAM-2の軽量拡張で、信頼性に富んだ指数的移動平均ポインターをメモリバンクに組み込む。
PTMC-RFAデータセット(124分13人)では、EMA-SAMはEmphmaxDiceを0.82から0.86に改善し、emphmaxIoUを0.72から0.76に改善し、偽陽性を29%削減した。
論文 参考訳（メタデータ） (2025-10-21T01:30:27Z) - 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) - BALR-SAM: Boundary-Aware Low-Rank Adaptation of SAM for Resource-Efficient Medical Image Segmentation [11.634558989215392]
Segment Anything Model (SAM)のようなビジョン基盤モデルは、ドメイン固有の適応が欠如しているため、しばしば医療画像のセグメンテーションに苦労する。
医療画像のSAMを強化する境界対応低ランク適応フレームワークであるBALR-SAMを提案する。
2) SAMのVision Transformerブロックに組み込まれた低ランクのアダプタは、医学的コンテキストにおける特徴表現と注意を最適化し、同時にパラメータ空間を著しく削減する。
論文 参考訳（メタデータ） (2025-09-29T02:36:09Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z)
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。