論文の概要: Segment Anything Model Based Context Guided Mamba Unet for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.40029v1
• Date: Thu, 29 Oct 2026 13:36:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 08:28:13.040726
• Title: Segment Anything Model Based Context Guided Mamba Unet for Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのためのセグメンテーションモデルに基づくコンテクストガイド付きマンバネット
• Abstract要約: 本稿では,モデルに基づくコンテキストガイド付きmamba unet,SAMBA-UNetを提案する。 HCEMモジュールはSAMとMambaのマルチレベル特徴を深く取り入れ、ディテール知覚とセグメンテーション精度を向上させる。 また,医療画像にSAMを適応させるために,LoRAとAdapterをベースとしたファインチューニングを採用している。
• 参考スコア（独自算出の注目度）: 2.751726992276088
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical image segmentation is crucial for clinical diagnosis and treatment planning, requiring both global contextual understanding and fine-grained structural precision. While the Segment Anything Model (SAM) demonstrates strong generalization capabilities, its direct application to medical images often lacks domain-specific adaptability. Meanwhile, State Space Models (SSMs)-based methods, such as Mamba, efficiently capture long-range dependencies but may struggle with preserving fine anatomical details. To address these challenges, we propose a segment anything model based context guided mamba unet, SAMBA-UNet, a novel framework that integrates SAM's context knowledge with Mamba's hierarchical feature learning to enhance both global representation and local detail refinement. Specifically, we introduce the Hierarchical Context Enhancement Module (HCEM), an attention-based fusion module that deeply incorporates the multi-level features of SAM and Mamba to improve detail perception and segmentation precision. Additionally, we employ LoRA and Adapter-based fine-tuning to adapt SAM to medical imaging tasks, further enhancing its domain-specific segmentation capability and robustness. We conducted a comprehensive study on several medical segmentation datasets, including Synapse, ISIC17, and ISIC18, evaluating our method across multiple metrics. Experimental results demonstrate that SAMBA-UNet achieves state-of-the-art performance, effectively balancing generalization, segmentation accuracy, and computational efficiency. Our code will be released upon acceptance.
• Abstract（参考訳）: 医用画像のセグメンテーションは臨床診断と治療計画に不可欠であり、大域的文脈理解と微細な構造的精度の両方を必要とする。 Segment Anything Model (SAM) は強力な一般化能力を示すが、医療画像への直接適用はドメイン固有の適応性に欠けることが多い。 一方、Mambaのような状態空間モデル(SSM)ベースの手法は、長距離依存を効率的に捉えるが、微細な解剖学的詳細を保存するのに苦労する可能性がある。 これらの課題に対処するため, SAMBA-UNetという, SAMのコンテキスト知識をMambaの階層的特徴学習と統合し, グローバル表現と局所的詳細改善を両立させる新しいフレームワークを提案する。 具体的には,HCEM (Hierarchical Context Enhancement Module) を導入し,SAM と Mamba のマルチレベル特徴を深く取り入れ,より詳細な知覚とセグメンテーション精度を向上させる。 さらに,医療画像のタスクにSAMを適用するためにLoRAとAdapterをベースとしたファインチューニングを導入し,ドメイン固有のセグメンテーション能力とロバスト性を高めた。 本研究は,Synapse,ISIC17,ISIC18を含むいくつかの医療分野のセグメンテーションデータセットについて包括的調査を行い,その手法を複数の指標で評価した。 実験の結果,SAMBA-UNetは最先端の性能を実現し,一般化,セグメンテーション精度,計算効率の両立を効果的に図っている。 私たちのコードは受け入れ次第解放されます。

関連論文リスト

• CLAPS: A CLIP-Unified Auto-Prompt Segmentation for Multi-Modal Retinal Imaging [47.04292769940597]
  CLIP統合オートプロンプト(CLAPS)は,網膜イメージングにおける様々なタスクとモダリティをまたいだセグメンテーションを統一する新しい手法である。 私たちのアプローチは、CLIPベースの画像エンコーダを、大規模なマルチモーダル網膜データセット上で事前トレーニングすることから始まります。 タスクを統一し、曖昧さを解消するために、各画像のモダリティに固有の「モダリティシグネチャ」を付加したテキストプロンプトを使用する。
  論文  参考訳（メタデータ） (2025-09-10T14:14:49Z)
• Learnable Prompting SAM-induced Knowledge Distillation for Semi-supervised Medical Image Segmentation [47.789013598970925]
  半教師型医用画像分割のための知識蒸留フレームワークKnowSAMを提案する。 我々のモデルは最先端の半教師付きセグメンテーションアプローチより優れている。
  論文  参考訳（メタデータ） (2024-12-18T11:19:23Z)
• Optimizing Universal Lesion Segmentation: State Space Model-Guided Hierarchical Networks with Feature Importance Adjustment [0.0]
  我々は,MAMBAフレームワークにステートスペースモデル(SSM)とアドバンスト階層ネットワーク(AHNet)を統合したMamba-Ahnetを紹介する。 Mamba-Ahnetは、SSMの特徴抽出と理解をAHNetの注意機構と画像再構成と組み合わせ、セグメンテーションの精度と堅牢性を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-04-26T08:15:43Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation [21.1787366866505]
  Mamba-UNetは,医療画像のセグメンテーションにおいてU-Netとマンバの能力を相乗化する新しいアーキテクチャである。 Mamba-UNetは純粋にVisual Mamba(VMamba)ベースのエンコーダデコーダ構造を採用しており、ネットワークのさまざまなスケールで空間情報を保存するためにスキップ接続を注入している。
  論文  参考訳（メタデータ） (2024-02-07T18:33:04Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。