Video Experimental Relacionado
Updated: Sep 10, 2025
12:08
From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data
Published on: August 13, 2014
24.7K
FastSAM3D: Un modelo de cualquier segmento eficiente para imágenes médicas volumétricas en 3D
Yiqing Shen1, Jingxing Li1, Xinyuan Shao1
1Johns Hopkins University, Baltimore, MD 21218, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|August 27, 2025
Resumen
FastSAM3D acelera significativamente la segmentación de imágenes médicas en 3D utilizando modelos de cualquier segmento (SAM). Este nuevo enfoque permite una segmentación rápida e interactiva de volúmenes 3D, superando las limitaciones computacionales anteriores.
Área de la Ciencia:
- Inteligencia artificial
- Imágenes médicas
- Visión por computadora
Sus antecedentes:
- Los Modelos de Segmento Cualquier cosa (SAM) ofrecen una poderosa generalización de tiro cero para la segmentación de objetos.
- La segmentación interactiva con SAM es valiosa para las imágenes médicas en 3D, pero se ve obstaculizada por la lenta inferencia y las altas demandas de memoria.
- Los SAM 2D actuales aplicados a volúmenes 3D causan cálculos redundantes, mientras que los SAM 3D son computacionalmente caros.
Objetivo del estudio:
- Desarrollar un método altamente eficiente para la segmentación interactiva de imágenes médicas en 3D utilizando SAM.
- Para superar los cuellos de botella computacionales de los enfoques SAM existentes para los datos volumétricos en 3D.
- Para permitir la segmentación interactiva de bajo costo en tiempo real en el hardware estándar de la GPU.
Principales métodos:
- Se introdujo FastSAM3D, un sistema para la inferencia acelerada de SAM en imágenes médicas en 3D.
- Empleó un esquema de destilación progresiva por capas para transferir el conocimiento de un gran ViT-B a un codificador ViT-Tiny más pequeño.
- Integración de un nuevo flash 3D para reducir el uso de la memoria y mejorar la paralelización.
Principales resultados:
- Logró velocidades de inferencia de 8 milisegundos para volúmenes 3D de 128x128x128 en una GPU NVIDIA A100.
- Se han demostrado incrementos de velocidad de 527.38 × sobre SAM 2D y 8.75 × sobre SAM 3D en diversos conjuntos de datos.
- Se mantiene el rendimiento de segmentación sin disminución significativa en comparación con los métodos existentes.
Conclusiones:
- FastSAM3D permite una segmentación de imágenes médicas 3D verdaderamente interactiva y de bajo costo con SAM.
- Las técnicas desarrolladas abordan las limitaciones críticas de velocidad y memoria para aplicaciones prácticas.
- Este trabajo facilita la adopción más amplia de SAM en los flujos de trabajo de imágenes médicas 3D clínicas.
