Core Concepts
自動プロンプト医用画像セグメンテーションの信頼性を向上させるために、不確実性補正を組み込んだUR-SAMフレームワークが提案されました。
Abstract
Segment Anything Model(SAM)は画像セグメンテーションタスクにおける画期的な基礎モデルとして登場しました。
SAMは医用画像セグメンテーションにおいて限られたパフォーマンスを示すことが明らかになりました。
UR-SAMは不確実性推定と補正を組み合わせて、自動プロント医用画像セグメンテーションの信頼性を向上させます。
提案されたフレームワークは、平均ダイス類似係数で10.7%から13.8%のセグメンテーションパフォーマンスの改善を示しました。
未来の展望として、隣接ピクセル間のコントラスト学習などより包括的な評価手法への取り入れが検討されています。
Stats
自動プロント化したSAMは、ダイス類似係数で最大10.7%から13.8%までの改善を示した。
MedSAMバックボーンでは、ダイス類似係数が0.453であった。