論文の概要: Sculpting Efficiency: Pruning Medical Imaging Models for On-Device Inference

• arxiv url: http://arxiv.org/abs/2309.05090v1
• Date: Sun, 10 Sep 2023 17:34:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 14:36:46.467525
• Title: Sculpting Efficiency: Pruning Medical Imaging Models for On-Device Inference
• Title（参考訳）: 走査効率:オンデバイス推論のための医用イメージングモデルの作成
• Authors: Sudarshan Sreeram and Bernhard Kainz
• Abstract要約: 我々は, フィルタープルーニングを解として, 心臓学および眼科領域のセグメンテーションモデルを探究する。 予備的な結果から、圧縮速度は最大1148倍、品質は最小限である。 興味をそそる疑問を明らかにし、費用対効果のある疾患の診断、モニタリング、予防ソリューションの実現に向けた一歩を踏み出した。
• 参考スコア（独自算出の注目度）: 13.403419873964422
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Applying ML advancements to healthcare can improve patient outcomes. However, the sheer operational complexity of ML models, combined with legacy hardware and multi-modal gigapixel images, poses a severe deployment limitation for real-time, on-device inference. We consider filter pruning as a solution, exploring segmentation models in cardiology and ophthalmology. Our preliminary results show a compression rate of up to 1148x with minimal loss in quality, stressing the need to consider task complexity and architectural details when using off-the-shelf models. At high compression rates, filter-pruned models exhibit faster inference on a CPU than the GPU baseline. We also demonstrate that such models' robustness and generalisability characteristics exceed that of the baseline and weight-pruned counterparts. We uncover intriguing questions and take a step towards realising cost-effective disease diagnosis, monitoring, and preventive solutions.
• Abstract（参考訳）: 医療にMLの進歩を適用することで、患者の成果が向上する。 しかし、従来のハードウェアやマルチモーダルのギガピクセルイメージと組み合わせたMLモデルの運用上の複雑さは、リアルタイムのオンデバイス推論に厳しいデプロイメント制限をもたらす。 我々は, フィルタープルーニングを解として, 心臓学および眼科領域のセグメンテーションモデルを探究する。 予備実験の結果, 圧縮速度は最大1148倍であり, 品質の低下は最小限であり, 既製のモデルを使用する場合, タスクの複雑さやアーキテクチャの詳細を考慮する必要性が強調された。 高い圧縮率では、フィルタ処理されたモデルはGPUベースラインよりも高速な推論を示す。 また,そのようなモデルの強靭性と一般性特性が,ベースラインおよび重み付けされたモデルよりも優れていることを示す。 興味深い質問を明らかにし、コスト効率のよい疾患の診断、モニタリング、予防的解決策の実現に向けて一歩を踏み出します。

関連論文リスト

• Structured Model Pruning for Efficient Inference in Computational Pathology [2.9687381456164004]
  バイオメディカルイメージングにおいて広く使われているU-Netスタイルのアーキテクチャを解析する手法を開発した。 我々は,プルーニングが性能を低下させることなく,少なくとも70%圧縮できることを実証的に実証した。
  論文  参考訳（メタデータ） (2024-04-12T22:05:01Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Performance Analysis of UNet and Variants for Medical Image Segmentation [1.5410557873153836]
  本研究の目的は,深層学習モデル,特にUNetアーキテクチャとその変種に着目した医用画像セグメンテーションの応用を検討することである。 その結果,深層ネットワーク層で拡張された標準UNetは,有能な医用画像セグメンテーションモデルであることが判明した。 Res-UNetとAttention Res-UNetアーキテクチャは、特に細かな画像の詳細を扱う際に、よりスムーズな収束と優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-22T17:20:40Z)
• Sparse learned kernels for interpretable and efficient medical time series processing [19.5212988158778]
  ディープラーニングの手法は計算集約的で、解釈性に欠けていた。 医用時系列信号の解釈可能なアーキテクチャであるSmoLK(Sparse Mixture of Learned Kernels)を提案する。 SMoLKは、シングルレイヤスパースニューラルネットワークを形成する軽量なフレキシブルカーネルセットを学習する。
  論文  参考訳（メタデータ） (2023-07-06T18:11:58Z)
• Competence-based Multimodal Curriculum Learning for Medical Report Generation [98.10763792453925]
  本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。 具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。 パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-06-24T08:16:01Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• A comparative study of various Deep Learning techniques for spatio-temporal Super-Resolution reconstruction of Forced Isotropic Turbulent flows [0.45935798913942893]
  本研究では,様々な最先端機械学習技術を用いて,空間的・時間的に乱流場の超解像解析を行う。 この研究で使用されるデータセットは、ジョンズ・ホプキンス乱流データベースの一部である「等方性1024粗い」データセットから抽出される。
  論文  参考訳（メタデータ） (2021-07-07T17:16:55Z)
• Interpretable Hyperspectral AI: When Non-Convex Modeling meets Hyperspectral Remote Sensing [57.52865154829273]
  ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。 過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。 このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
  論文  参考訳（メタデータ） (2021-03-02T03:32:10Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
  ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。 我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-07-08T21:38:29Z)
• AP-MTL: Attention Pruned Multi-task Learning Model for Real-time Instrument Detection and Segmentation in Robot-assisted Surgery [23.33984309289549]
  高解像度画像の検出とセグメンテーションのためのリアルタイムロボットシステムの訓練は、限られた計算資源で難しい問題となる。 重み付きエンコーダとタスク認識検出とセグメンテーションデコーダを備えた,エンドツーエンドのトレーニング可能なリアルタイムマルチタスク学習モデルを開発した。 我々のモデルは最先端のセグメンテーションモデルや検出モデルよりも優れており、最も優れたモデルもその課題である。
  論文  参考訳（メタデータ） (2020-03-10T14:24:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。