Fugu-MT 論文翻訳(概要): Auto-nnU-Net: Towards Automated Medical Image Segmentation

論文の概要: Auto-nnU-Net: Towards Automated Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2505.16561v1
Date: Thu, 22 May 2025 11:52:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-23 17:12:48.262663
Title: Auto-nnU-Net: Towards Automated Medical Image Segmentation
Title（参考訳）: Auto-nU-Net:医療画像の自動分割に向けて
Authors: Jannis Becktepe, Leona Hennig, Steffen Oeltze-Jafra, Marius Lindauer,
Abstract要約: Medical Image Decathlon (MIS) には骨から臓器へのセグメンテーションまで様々なタスクが含まれており、それぞれに最適なセグメンテーションモデルを見つけるための独自の課題がある。最先端のAutoML関連MIS-framework nnU-Netはモデル構成の多くの側面を自動化する。本稿では,ハイパーパラメータ最適化(HPO),ニューラルアーキテクチャ探索(NAS),階層型NASを実現する新しいnnU-Net変種であるAutonnU-Netを提案する。
参考スコア（独自算出の注目度）: 14.342326020477723
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Medical Image Segmentation (MIS) includes diverse tasks, from bone to organ segmentation, each with its own challenges in finding the best segmentation model. The state-of-the-art AutoML-related MIS-framework nnU-Net automates many aspects of model configuration but remains constrained by fixed hyperparameters and heuristic design choices. As a full-AutoML framework for MIS, we propose Auto-nnU-Net, a novel nnU-Net variant enabling hyperparameter optimization (HPO), neural architecture search (NAS), and hierarchical NAS (HNAS). Additionally, we propose Regularized PriorBand to balance model accuracy with the computational resources required for training, addressing the resource constraints often faced in real-world medical settings that limit the feasibility of extensive training procedures. We evaluate our approach across diverse MIS datasets from the well-established Medical Segmentation Decathlon, analyzing the impact of AutoML techniques on segmentation performance, computational efficiency, and model design choices. The results demonstrate that our AutoML approach substantially improves the segmentation performance of nnU-Net on 6 out of 10 datasets and is on par on the other datasets while maintaining practical resource requirements. Our code is available at https://github.com/LUH-AI/AutonnUNet.
Abstract（参考訳）: 医用画像セグメンテーション(MIS)には骨から臓器セグメンテーションまで多様なタスクが含まれており、それぞれに最適なセグメンテーションモデルを見つけるための独自の課題がある。最先端のAutoML関連のMIS-framework nnU-Netはモデル構成の多くの側面を自動化するが、固定されたハイパーパラメータとヒューリスティックな設計選択によって制約されている。 MISのためのフルオートMLフレームワークとして、ハイパーパラメータ最適化(HPO)、ニューラルアーキテクチャサーチ(NAS)、階層NAS(HNAS)を実現する新しいnnU-Net変種であるAuto-nnU-Netを提案する。さらに、トレーニングに必要な計算資源とモデルの精度をバランスさせ、広範囲なトレーニング手順の実現可能性を制限する現実世界の医療環境において直面するリソース制約に対処する。我々は、確立されたメディカルセグメンテーション宣言から様々なMISデータセットにまたがるアプローチを評価し、AutoML技術がセグメンテーション性能、計算効率、モデル設計選択に与える影響を分析した。その結果、我々のAutoMLアプローチは10データセット中6データセットでのnnU-Netのセグメンテーション性能を大幅に改善し、実用的なリソース要件を維持しつつ、他のデータセットと同等であることがわかった。私たちのコードはhttps://github.com/LUH-AI/AutonnUNet.comで公開されています。

関連論文リスト

LEMUR Neural Network Dataset: Towards Seamless AutoML [34.04248949660201]
LEMURは、ニューラルネットワークモデルのオープンソースデータセットであり、多様なアーキテクチャのためのよく構造化されたコードである。 LEMURは主に、機械学習タスクを自動化するために、大規模な言語モデルの微調整を可能にするように設計されている。 LEMURはMITライセンス下でオープンソースプロジェクトとしてリリースされ、論文が受理される。
論文参考訳（メタデータ） (2025-04-14T09:08:00Z)
AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文参考訳（メタデータ） (2024-03-26T04:27:56Z)
Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文参考訳（メタデータ） (2024-03-21T02:33:37Z)
AutoXPCR: Automated Multi-Objective Model Selection for Time Series Forecasting [1.0515439489916734]
本稿では,自動的かつ説明可能な多目的モデル選択のための新しい手法であるAutoXPCRを提案する。我々の手法はメタラーニングを利用して、(P)予測誤差、(C)ミスプレキシティ、(R)ソース要求を含むPCR基準に沿ったモデルの性能を推定する。我々の手法は、他のモデル選択手法よりも明らかに優れている。平均すると、最高の品質の90%のモデルに推奨する計算コストの20%しか必要としない。
論文参考訳（メタデータ） (2023-12-20T14:04:57Z)
Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文参考訳（メタデータ） (2023-12-07T18:53:27Z)
AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph Neural Networks [75.11008617118908]
AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
論文参考訳（メタデータ） (2023-03-14T07:23:16Z)
IoT Data Analytics in Dynamic Environments: From An Automated Machine Learning Perspective [10.350337750192997]
本稿では,AutoMLの領域におけるモデル選択,チューニング,手順の更新において,既存の手法の見直しを行う。我々の発見を正当化し、産業ユーザや研究者がAutoMLアプローチをよりうまく実装するのを助けるために、AutoMLをIoT異常検出問題に適用するケーススタディが実施されている。
論文参考訳（メタデータ） (2022-09-16T16:02:56Z)
Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文参考訳（メタデータ） (2021-07-14T17:55:28Z)
Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
新プラットフォーム Resource-Aware AutoML (RA-AutoML) RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
論文参考訳（メタデータ） (2020-10-30T19:37:48Z)
NASirt: AutoML based learning with instance-level complexity information [0.0]
我々は、スペクトルデータセットの高精度CNNアーキテクチャを見つけるAutoML手法であるNASirtを提案する。我々の手法は、ほとんどの場合、ベンチマークよりも優れた性能を示し、平均精度は97.40%に達する。
論文参考訳（メタデータ） (2020-08-26T22:21:44Z)
AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。