Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

A meta-analysis on the effectiveness and safety of FOLFOX plus bevacizumab for colorectal cancer treatment.

Frontiers in oncology·2026
Same author

From sparse semantics to rich instances: Empowering label-efficient LiDAR panoptic segmentation via geometric priors.

Neural networks : the official journal of the International Neural Network Society·2026
Same author

A panoramic review of transcranial focused ultrasound neuromodulation: from basic research to clinical applications.

Journal of neuroengineering and rehabilitation·2025
Same author

Therapeutic targeting of STING-IL6/STAT3 axis to inhibit osteoclastic niche formation and breast cancer bone metastasis.

Cell death discovery·2025
Same author

Correlation study of tumor-infiltrating lymphocytes combined with residual cancer burden and prognosis in breast cancer patients receiving neoadjuvant chemotherapy.

Frontiers in oncology·2025
Same author

Isofetamid Sensitivity and SDHI Cross-Resistance in <i>Botrytis cinerea</i> from Strawberry in Shanghai, China.

Plant disease·2025

関連する実験動画

Updated: Jan 8, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

3.3K

効率的な医用画像セグメンテーションのためのビジョン基盤モデルの高速化

Xian-Tao Wu1, Xiao-Diao Chen1, Wen Wu2

  • 1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, China.

Medical physics
|December 19, 2025
PubMed
まとめ
この要約は機械生成です。

本研究は、計算コストを削減することにより、医用画像セグメンテーションのためのSegment Anything Model (SAM)を高速化します。新しいアプローチは、CNN支援チューニングとトークンポーズを組み合わせ、処理速度の向上とセグメンテーション品質の改善を達成します。

キーワード:
深層学習医用画像セグメンテーションSegment Anything Modelスループットトークンポーズ

さらに関連する動画

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

43.4K

関連する実験動画

Last Updated: Jan 8, 2026

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

3.3K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
14:08

Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images

Published on: April 13, 2013

43.4K

科学分野:

  • 人工知能
  • 医用画像
  • コンピュータビジョン

背景:

  • Segment Anything Model (SAM)は、AIベースの医用画像セグメンテーションに有望です。
  • SAMの高い計算コストは、Vision Transformerの複雑さにより、リアルタイムアプリケーションの妨げとなります。

主な方法:

  • SAMがより小さな入力を処理できるようにするCNN支援チューニング戦略を提案し、パッチとメモリを削減しました。
  • 情報量の少ないパッチの計算をスキップするトークンポーズ戦略を導入し、冗長性に対処しました。
  • 効率的で適応性の高い医用画像セグメンテーションのために両方の戦略を組み合わせました。

結論:

  • 入力リサイジングと均一なパッチ処理が、医用画像におけるSAMの制限であることが特定されました。
  • アダプターベースのチューニングとトークンポーズを統合した効率的な戦略を開発しました。
  • 医用アプリケーションのスループットを向上させ、セグメンテーション性能を維持しました。