U-MedSAM: Uncertainty-aware MedSAM for Medical Image Segmentation

要約

Medical Image Foundation Model は、さまざまなデータセットにわたるマスク予測のための強力なツールであることが証明されています。
しかし、予測の不確実性を正確に評価することは依然として大きな課題です。
これに対処するために、MedSAM モデルに不確実性を考慮した損失関数と Sharpness-Aware Minimization (SharpMin) オプティマイザーを統合した新しいモデル U-MedSAM を提案します。
不確実性を考慮した損失関数は、領域ベース、分布ベース、ピクセルベースの損失設計を自動的に組み合わせて、セグメンテーションの精度と堅牢性を強化します。
SharpMin は、損失状況の平坦な最小値を見つけて一般化を改善し、それによって過剰適合を減らします。
私たちの手法は CVPR24 MedSAM on Laptop チャレンジで評価され、U-MedSAM は有望なパフォーマンスを実証しました。

要約(オリジナル)

Medical Image Foundation Models have proven to be powerful tools for mask prediction across various datasets. However, accurately assessing the uncertainty of their predictions remains a significant challenge. To address this, we propose a new model, U-MedSAM, which integrates the MedSAM model with an uncertainty-aware loss function and the Sharpness-Aware Minimization (SharpMin) optimizer. The uncertainty-aware loss function automatically combines region-based, distribution-based, and pixel-based loss designs to enhance segmentation accuracy and robustness. SharpMin improves generalization by finding flat minima in the loss landscape, thereby reducing overfitting. Our method was evaluated in the CVPR24 MedSAM on Laptop challenge, where U-MedSAM demonstrated promising performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google