論文の概要: Clustering-Based Low-Rank Matrix Approximation for Medical Image Compression

• arxiv url: http://arxiv.org/abs/2505.08256v2
• Date: Tue, 28 Oct 2025 09:31:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:35.810561
• Title: Clustering-Based Low-Rank Matrix Approximation for Medical Image Compression
• Title（参考訳）: 医用画像圧縮のためのクラスタリングに基づく低ランク行列近似
• Authors: Sisipho Hamlomo, Marcellin Atemkeng,
• Abstract要約: 適応的なLoRMAは、医療画像を重なり合うパッチに分割し、構造的に類似したパッチをk-meansを使ってクラスタにグループ化し、各クラスタ内でSVDを実行する。 我々は,MRI,超音波,CT,胸部X線という4つの画像モダリティのグローバルSVDに対する適応型LoRMAの評価と比較を行った。 その結果, 適応型 LoRMA はPSNR, SSIM, IoU, EPI, EPI で測定された構造的整合性, エッジ細部, 診断関連性を効果的に維持することが示された。
• 参考スコア（独自算出の注目度）: 0.34376560669160394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical images are inherently high-resolution and contain locally varying structures crucial for diagnosis. Efficient compression must preserve diagnostic fidelity while minimizing redundancy. Low-rank matrix approximation (LoRMA) techniques have shown strong potential for image compression by capturing global correlations; however, they often fail to adapt to local structural variations across regions of interest. To address this, we introduce an adaptive LoRMA, which partitions a medical image into overlapping patches, groups structurally similar patches into clusters using k-means, and performs SVD within each cluster. We derive the overall compression factor accounting for patch overlap and analyze how patch size influences compression efficiency and computational cost. While applicable to any data with high local variation, we focus on medical imaging due to its pronounced local variability. We evaluate and compare our adaptive LoRMA against global SVD across four imaging modalities: MRI, ultrasound, CT scan, and chest X-ray. Results demonstrate that adaptive LoRMA effectively preserves structural integrity, edge details, and diagnostic relevance, measured by PSNR, SSIM, MSE, IoU, and EPI. Adaptive LoRMA minimizes block artifacts and residual errors, particularly in pathological regions, consistently outperforming global SVD in PSNR, SSIM, IoU, EPI, and achieving lower MSE. It prioritizes clinically salient regions while allowing aggressive compression in non-critical regions, optimizing storage efficiency. Although adaptive LoRMA requires higher processing time, its diagnostic fidelity justifies the overhead for high-compression applications.
• Abstract（参考訳）: 医用画像は本質的に高解像度であり、診断に不可欠な局所的な様々な構造を含んでいる。 効率の良い圧縮は、冗長性を最小化しながら診断精度を保たなければならない。 ローランク行列近似(LoRMA)技術は、大域的相関を捉えて画像圧縮に強い可能性を示しているが、それらはしばしば興味のある領域の局所的な構造変化に適応しない。 そこで我々は,医療画像を重なり合うパッチに分割し,k-meansを用いて構造的に類似したパッチをクラスタにグループ化し,各クラスタ内でSVDを実行する適応型LoRMAを提案する。 パッチ重複の原因となる圧縮係数を総合的に導出し、パッチサイズが圧縮効率と計算コストにどのように影響するかを分析する。 局所的な変動が大きいデータに適用できるが,局所的な変動が顕著であることから,医用画像に焦点をあてる。 我々は,MRI,超音波,CT,胸部X線という4つの画像モダリティのグローバルSVDに対する適応型LoRMAの評価と比較を行った。 その結果, 適応型 LoRMA はPSNR, SSIM, MSE, IoU, EPI で測定された構造的整合性, エッジ細部, 診断関連性を効果的に維持することが示された。 適応型LoRMAはブロックアーティファクトと残差を最小化し、特に病理領域ではPSNR, SSIM, IoU, EPIにおいて一貫してグローバルSVDを上回り、低いMSEを達成する。 非臨界領域における積極的な圧縮を許容し、保存効率を最適化しながら、臨床的に健全な領域を優先する。 適応型LoRMAは高い処理時間を必要とするが、その診断精度は高圧縮アプリケーションのオーバーヘッドを正当化する。

関連論文リスト

• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• SDTN and TRN: Adaptive Spectral-Spatial Feature Extraction for Hyperspectral Image Classification [1.2871580250533408]
  ハイパースペクトル画像分類は、精密農業において重要な役割を担い、作物の健康モニタリング、病気の検出、土壌分析に関する正確な洞察を提供する。 従来の手法は高次元データ、スペクトル空間の冗長性、ラベル付きサンプルの不足に悩まされ、しばしば準最適性能に繋がる。 これらの課題に対処するために,テンソル分解と正規化機構を組み合わせた自己適応正規化ネットワーク(SDTN)を提案し,テンソルランクを動的に調整する。 このアプローチは、高い分類精度を維持するだけでなく、計算の複雑さを大幅に減らし、リソース制約のある環境でのリアルタイムデプロイメントに非常に適している。
  論文  参考訳（メタデータ） (2025-07-13T04:53:33Z)
• Enhancing Treatment Effect Estimation via Active Learning: A Counterfactual Covering Perspective [61.284843894545475]
  治療効果推定のための複雑なアルゴリズムは、不十分なラベル付きトレーニングセットを扱う際には効果がない。 我々は,最適化目標をtextitFactual と textitCounterfactual Coverage Maximization に変換して,データ取得時の有効半径削減を実現するFCCMを提案する。 FCCMを他のベースラインに対してベンチマークすることは、完全に合成されたデータセットと半合成されたデータセットの両方にその優位性を示す。
  論文  参考訳（メタデータ） (2025-05-08T13:42:00Z)
• Low-Rank Matrix Approximation for Neural Network Compression [0.0]
  本稿では,重み行列の圧縮に最適なランクを近似する適応型特異値分解法を提案する。 ARSVDは、その特異値のエントロピー分布を通じて、層ごとのランクの適応的な選択を使用する。 提案手法は, 効率よく, 層圧縮が可能であり, 空間, 時間的複雑さを低減して性能を向上する。
  論文  参考訳（メタデータ） (2025-04-25T06:04:01Z)
• Multi-output Classification Framework and Frequency Layer Normalization for Compound Fault Diagnosis in Motor [5.240890834159944]
  本研究は,故障診断における領域適応のための多出力分類(MOC)フレームワークを提案する。 従来のマルチクラス分類 (MCC) 法とは異なり, 提案手法は個別に各断層の重大度を推定する。 PLデータを用いた6つの領域適応事例を対象とした評価の結果,MOCはマクロF1スコアにおいてベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-04-15T13:40:16Z)
• Knowledge Distillation and Enhanced Subdomain Adaptation Using Graph Convolutional Network for Resource-Constrained Bearing Fault Diagnosis [0.0]
  複雑な教師モデルからコンパクトで効率的な学生モデルに知識を伝達する進歩的知識蒸留フレームワークを提案する。 再生ケルネルヒルベルト空間(RKHS)における平均および分散統計を利用してラベル間の事前確率分布を組み込むELMMSD(Enhanced Local Maximum Mean Squared Discrepancy)を導入する。
  論文  参考訳（メタデータ） (2025-01-13T10:05:47Z)
• HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
  LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。 本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。 テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
  論文  参考訳（メタデータ） (2024-11-10T19:59:54Z)
• A Systematic Review of Low-Rank and Local Low-Rank Matrix Approximation in Big Data Medical Imaging [0.3495246564946556]
  医療画像データセットの膨大な量と複雑さは、ストレージ、送信、処理のボトルネックである。 低ランク行列近似(LRMA)とその誘導体である局所LRMA(LLRMA)はポテンシャルを示した。 本稿では、LRMAとLLRMAが、欠落したエントリを持つ正規データに対してどのように適用できるかと、欠落した値の予測における不正確さの影響について論じる。
  論文  参考訳（メタデータ） (2024-02-21T13:06:48Z)
• Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
  Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。 DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。 提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
  論文  参考訳（メタデータ） (2023-11-24T17:56:44Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
  学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。 ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。 本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T20:03:58Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。