論文の概要: MK-UNet: Multi-kernel Lightweight CNN for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2509.18493v1
• Date: Tue, 23 Sep 2025 00:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.624214
• Title: MK-UNet: Multi-kernel Lightweight CNN for Medical Image Segmentation
• Title（参考訳）: MK-UNet:医療画像分割のためのマルチカーネル軽量CNN
• Authors: Md Mostafijur Rahman, Radu Marculescu,
• Abstract要約: 医用画像分割に適した超軽量マルチカーネルU字型CNNへのパラダイムシフトであるMK-UNetを導入する。 我々のMK-UNetネットワークは、わずか0.316Mパラメータと0.314G FLOPの計算フットプリントしか持たない。 私たちのMK-UNetは、MedT、CMUNeXt、EGE-UNet、Rolling-UNetといった最近の軽量ネットワークよりもはるかに低い計算資源で性能を向上しています。
• 参考スコア（独自算出の注目度）: 27.68818512667956
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we introduce MK-UNet, a paradigm shift towards ultra-lightweight, multi-kernel U-shaped CNNs tailored for medical image segmentation. Central to MK-UNet is the multi-kernel depth-wise convolution block (MKDC) we design to adeptly process images through multiple kernels, while capturing complex multi-resolution spatial relationships. MK-UNet also emphasizes the images salient features through sophisticated attention mechanisms, including channel, spatial, and grouped gated attention. Our MK-UNet network, with a modest computational footprint of only 0.316M parameters and 0.314G FLOPs, represents not only a remarkably lightweight, but also significantly improved segmentation solution that provides higher accuracy over state-of-the-art (SOTA) methods across six binary medical imaging benchmarks. Specifically, MK-UNet outperforms TransUNet in DICE score with nearly 333$\times$ and 123$\times$ fewer parameters and FLOPs, respectively. Similarly, when compared against UNeXt, MK-UNet exhibits superior segmentation performance, improving the DICE score up to 6.7% margins while operating with 4.7$\times$ fewer #Params. Our MK-UNet also outperforms other recent lightweight networks, such as MedT, CMUNeXt, EGE-UNet, and Rolling-UNet, with much lower computational resources. This leap in performance, coupled with drastic computational gains, positions MK-UNet as an unparalleled solution for real-time, high-fidelity medical diagnostics in resource-limited settings, such as point-of-care devices. Our implementation is available at https://github.com/SLDGroup/MK-UNet.
• Abstract（参考訳）: 本稿では,医用画像分割に適した超軽量マルチカーネル型CNNへのパラダイムシフトであるMK-UNetを紹介する。 MK-UNetの中心は、複雑なマルチ解像度空間関係をキャプチャしながら、複数のカーネルを通して画像を処理するために設計したマルチカーネル奥行き畳み込みブロック(MKDC)である。 MK-UNetはまた、チャネル、空間、グループ化されたゲートアテンションを含む高度なアテンションメカニズムを通じて、画像の健全な特徴を強調している。 我々のMK-UNetネットワークは、わずか0.316Mパラメータと0.314G FLOPの計算フットプリントしか持たないが、非常に軽量であるだけでなく、6つのバイナリ医用画像ベンチマークにおける最先端(SOTA)メソッドよりも高い精度のセグメンテーションソリューションも大幅に改善している。 具体的には、MK-UNetは、それぞれ333$\times$と123$\times$より少ないパラメータとFLOPでTransUNetよりも優れています。 同様にUNeXtと比較すると、MK-UNetはより優れたセグメンテーション性能を示し、DICEのスコアは最大6.7%向上し、4.7$\times$#Paramsより少ない。 私たちのMK-UNetは、MedT、CMUNeXt、EGE-UNet、Rolling-UNetといった最近の軽量ネットワークよりもはるかに低い計算資源で性能を向上しています。 この性能の飛躍は、急激な計算ゲインと組み合わされ、MK-UNetは、ポイント・オブ・ケアデバイスのようなリソース制限された設定において、リアルタイムで高忠実な医療診断のための非並列のソリューションとして位置づけられる。 私たちの実装はhttps://github.com/SLDGroup/MK-UNet.comで公開されています。

関連論文リスト

• 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)
• Q-Segment: Segmenting Images In-Sensor for Vessel-Based Medical Diagnosis [13.018482089796159]
  我々は、量子化されたリアルタイムセグメンテーションアルゴリズム「Q-Segment」を提案し、Sony IMX500を用いて、低消費電力エッジビジョンプラットフォーム上で包括的な評価を行う。 Q-セグメントは、センサー内での超低推論時間(0.23ms)と72mWの消費電力を実現している。 この研究は、エッジベースのイメージセグメンテーションに関する貴重な洞察をもたらし、低消費電力環境に適した効率的なアルゴリズムの基礎を築いた。
  論文  参考訳（メタデータ） (2023-12-15T15:01:41Z)
• 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)
• MKIS-Net: A Light-Weight Multi-Kernel Network for Medical Image Segmentation [7.587725015524997]
  マルチカーネル画像分割網(MKIS-Net)を提案する。 MKIS-Netは、少数のトレーニング可能なパラメータを持つ軽量アーキテクチャである。 網膜血管のセグメンテーション,皮膚病変のセグメンテーション,胸部X線セグメンテーションなどにおけるMKIS-Netの有効性について検討した。
  論文  参考訳（メタデータ） (2022-10-15T02:46:28Z)
• Parameterization of Cross-Token Relations with Relative Positional Encoding for Vision MLP [52.25478388220691]
  視覚多層パーセプトロン(MLP)はコンピュータビジョンタスクにおいて有望な性能を示す。 トークンミキシングレイヤを使用して、トランスフォーマーが使用するマルチヘッド自己保持機構とは対照的に、クロストークンインタラクションをキャプチャする。 トークン混合のためのクロストークン関係を効率的に符号化する新しい位置空間ゲーティングユニット(PoSGU)を提案する。
  論文  参考訳（メタデータ） (2022-07-15T04:18:06Z)
• UNeXt: MLP-based Rapid Medical Image Segmentation Network [80.16644725886968]
  UNetとその最新の拡張であるTransUNetは、ここ数年で主要な医療画像分割手法である。 画像分割のための畳み込み多層パーセプトロンネットワークUNeXtを提案する。 パラメータ数を72倍に減らし,計算複雑性を68倍に減らし,推論速度を10倍に改善し,セグメンテーション性能も向上した。
  論文  参考訳（メタデータ） (2022-03-09T18:58:22Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)

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。