Medical SAM Adapter：医療画像セグメンテーション向けに最適化されたSegment Anything Modelの適応

セグメンテーション・アニューリング・モデル（Segment Anything Model, SAM）は、さまざまなセグメンテーションタスクにおける優れた性能とプロンプトベースのインターフェースにより、近年、画像セグメンテーション分野で注目を集めています。しかし、最近の研究および個別実験では、医療画像におけるセグメンテーションにおいてSAMが性能を発揮できないことが明らかになっており、これは医療分野特有の知識が欠如しているためです。この問題から、SAMの医療画像向けセグメンテーション能力をどのように向上させるかという問いが生じます。本論文では、SAMモデルのファインチューニングに依存せず、軽量かつ効果的な適応技術を用いて、ドメイン特化型の医療知識をセグメンテーションモデルに統合する「Medical SAM Adapter（Med-SA）」を提案します。Med-SAでは、2DのSAMを3D医療画像に適応させるための「Space-Depth Transpose（SD-Trans）」と、プロンプト条件付きの適応を実現する「Hyper-Prompting Adapter（HyP-Adpt）」を提案しています。本研究では、複数の画像モダリティにまたがる17の医療画像セグメンテーションタスクにおいて、包括的な評価実験を実施しました。その結果、Med-SAは複数の最先端（SOTA）医療画像セグメンテーション手法を上回る性能を達成しながら、モデルパラメータのわずか2％のみを更新するという高い効率性を示しました。本研究のコードは、https://github.com/KidsWithTokens/Medical-SAM-Adapter にて公開されています。