論文の概要: Unified Start, Personalized End: Progressive Pruning for Efficient 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2509.09267v1
• Date: Thu, 11 Sep 2025 08:53:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.304843
• Title: Unified Start, Personalized End: Progressive Pruning for Efficient 3D Medical Image Segmentation
• Title（参考訳）: 統合開始・パーソナライズ・エンド:効率的な3次元医用画像分割のためのプログレッシブ・プルーニング
• Authors: Linhao Li, Yiwen Ye, Ziyang Chen, Yong Xia,
• Abstract要約: PSP-Segは動的で効率的な3Dセグメンテーションを可能にするプログレッシブプルーニングフレームワークである。 PSP-Segは、nU-Netと同等のパフォーマンスを実現し、GPUメモリ使用量を42-45%削減した。 これらの知見は,PSP-Segが臨床応用において,費用対効果は高いが高いパフォーマンスの代替手段としての可能性を裏付けるものである。
• 参考スコア（独自算出の注目度）: 20.759618120977894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D medical image segmentation often faces heavy resource and time consumption, limiting its scalability and rapid deployment in clinical environments. Existing efficient segmentation models are typically static and manually designed prior to training, which restricts their adaptability across diverse tasks and makes it difficult to balance performance with resource efficiency. In this paper, we propose PSP-Seg, a progressive pruning framework that enables dynamic and efficient 3D segmentation. PSP-Seg begins with a redundant model and iteratively prunes redundant modules through a combination of block-wise pruning and a functional decoupling loss. We evaluate PSP-Seg on five public datasets, benchmarking it against seven state-of-the-art models and six efficient segmentation models. Results demonstrate that the lightweight variant, PSP-Seg-S, achieves performance on par with nnU-Net while reducing GPU memory usage by 42-45%, training time by 29-48%, and parameter number by 83-87% across all datasets. These findings underscore PSP-Seg's potential as a cost-effective yet high-performing alternative for widespread clinical application.
• Abstract（参考訳）: 3D医療画像のセグメンテーションは、しばしば大量のリソースと時間消費に直面し、そのスケーラビリティと臨床環境への迅速な展開を制限している。 既存の効率的なセグメンテーションモデルは通常、トレーニング前に静的で手動で設計され、様々なタスクへの適応性を制限し、パフォーマンスとリソース効率のバランスをとるのが難しくなる。 本稿では,動的かつ効率的な3Dセグメンテーションを実現するプログレッシブプルーニングフレームワークであるPSP-Segを提案する。 PSP-Segは冗長モデルから始まり、ブロックワイズプルーニングと機能的デカップリング損失を組み合わせた冗長モジュールを反復的に生成する。 PSP-Segを5つの公開データセットで評価し、7つの最先端モデルと6つの効率的なセグメンテーションモデルと比較した。 その結果、軽量版であるPSP-Seg-Sは、nU-Netと同等のパフォーマンスを実現し、GPUメモリ使用量を42-45%削減し、トレーニング時間を29-48%削減し、パラメータ数を83-87%削減した。 これらの知見は,PSP-Segが臨床応用において,費用対効果は高いが,高いパフォーマンスの代替手段としての可能性を裏付けるものである。

関連論文リスト

• An Efficient Dual-Line Decoder Network with Multi-Scale Convolutional Attention for Multi-organ Segmentation [5.6873464177873245]
  本稿では,効率的なデュアルラインデコーダセグメンテーションネットワーク(EDLDNet)を提案する。 提案手法は, モデルロバスト性向上のため, トレーニング時に構造的摂動を取り入れることを学ぶノイズデコーダを特徴とする。 両デコーダから複数スケールのセグメンテーションマスクを活用することにより,変異に基づく損失関数を用いてモデルの一般化を促進する。
  論文  参考訳（メタデータ） (2025-08-23T12:34:27Z)
• Simple is what you need for efficient and accurate medical image segmentation [7.2109224546543675]
  本稿では,スケーラブルな超軽量医用画像分割モデルSimpleUNetを提案する。 記録破りの16KBパラメータ設定により、SimpleUNetはLBUNetや他の軽量ベンチマークを上回っている。 0.67MBの派生型は、より優れた効率(8.60 GFLOPs)と精度を実現し、マルチセンターの乳房病変のデータセットの平均DSC/IoUは85.76%/75.60%に達した。
  論文  参考訳（メタデータ） (2025-06-16T12:31:48Z)
• FlexiGPT: Pruning and Extending Large Language Models with Low-Rank Weight Sharing [59.12511498024836]
  本稿では,重み付けスコアに基づいてモデルブロックを選択的にプルーする大規模言語モデル(LLM)をプルーする手法を提案する。 重み共有機構を用いて各刈り込みブロックを置換する原理的計量を提案する。 経験的評価は、既存の方法よりも大幅にパフォーマンスが向上したことを示している。
  論文  参考訳（メタデータ） (2025-01-24T18:46:37Z)
• An Augmentation-based Model Re-adaptation Framework for Robust Image Segmentation [0.799543372823325]
  セグメント化モデルの一般化を促進するための拡張型モデル再適応フレームワーク(AMRF)を提案する。 従来のモデル(FCNとU-Net)と事前訓練されたSAMモデルからセグメント化マスクを観察することにより、トレーニング効率とモデル性能を最適にバランスさせる最小拡張セットを決定する。 その結果,細調整したFCNは収穫精度が3.29%,収穫精度が3.02%,時間連続データセットが5.27%,分類精度が4.04%を超えることがわかった。
  論文  参考訳（メタデータ） (2024-09-14T21:01:49Z)
• Post-Training Network Compression for 3D Medical Image Segmentation: Reducing Computational Efforts via Tucker Decomposition [2.6820435361998918]
  本稿では,既存のモデルの分解により,セグメント化精度を損なうことなく,計算要求を低減できるタッカー因数分解法を提案する。 提案手法では,推定時に必要となる浮動小数点演算(FLOP)とメモリを削減し,計算効率とセグメンテーション品質のトレードオフを調整可能とした。
  論文  参考訳（メタデータ） (2024-04-15T11:36:31Z)
• Dynamic Adapter Meets Prompt Tuning: Parameter-Efficient Transfer Learning for Point Cloud Analysis [51.14136878142034]
  ポイントクラウド分析は、事前訓練されたモデルのポイントクラウドの転送によって、優れたパフォーマンスを実現している。 モデル適応のための既存の方法は通常、高い計算コストに依存するため、非効率な全てのモデルパラメータを更新する。 本稿では,タスク性能とパラメータ効率のトレードオフを考慮した,ポイントクラウド解析のためのパラメータ効率変換学習を提案する。
  論文  参考訳（メタデータ） (2024-03-03T08:25:04Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)

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。