SAMed-2：選択的メモリ強化型医療用セグメンテーションモデル

要旨

最近の「セグメント・エニシング」の取り組みは、大規模データからの学習によって有望な成果を示していますが、医療画像に直接適用することは、医療データの複雑さ、ノイズの多いアノテーション、多様なモダリティや解剖学的構造にわたる継続的学習の必要性により、依然として課題が残っています。本研究では、SAM-2アーキテクチャを基盤とした医療画像セグメンテーションのための新しい基盤モデル、SAMed-2を提案します。具体的には、画像エンコーダに時間的アダプタを導入して画像間の相関を捉え、信頼度駆動型メモリ機構を導入して高確信度の特徴を後で検索できるように保存します。このメモリベースの戦略は、大規模医療データセットに遍在するノイズに対抗し、新しいタスクやモダリティに遭遇した際の破滅的忘却を緩和します。SAMed-2の訓練と評価のために、7つの画像モダリティと21の医療セグメンテーションタスクを網羅した包括的なデータセット、MedBank-100kをキュレーションしました。内部ベンチマークと10の外部データセットでの実験により、マルチタスクシナリオにおいて最先端のベースラインを上回る性能を実証しています。コードは以下で公開されています：https://github.com/ZhilingYan/Medical-SAM-Bench。

English

Recent "segment anything" efforts show promise by learning from large-scale data, but adapting such models directly to medical images remains challenging due to the complexity of medical data, noisy annotations, and continual learning requirements across diverse modalities and anatomical structures. In this work, we propose SAMed-2, a new foundation model for medical image segmentation built upon the SAM-2 architecture. Specifically, we introduce a temporal adapter into the image encoder to capture image correlations and a confidence-driven memory mechanism to store high-certainty features for later retrieval. This memory-based strategy counters the pervasive noise in large-scale medical datasets and mitigates catastrophic forgetting when encountering new tasks or modalities. To train and evaluate SAMed-2, we curate MedBank-100k, a comprehensive dataset spanning seven imaging modalities and 21 medical segmentation tasks. Our experiments on both internal benchmarks and 10 external datasets demonstrate superior performance over state-of-the-art baselines in multi-task scenarios. The code is available at: https://github.com/ZhilingYan/Medical-SAM-Bench.

SAMed-2：選択的メモリ強化型医療用セグメンテーションモデル

SAMed-2: Selective Memory Enhanced Medical Segment Anything Model

要旨

Support