論文の概要: Progressive Growing of Patch Size: Curriculum Learning for Accelerated and Improved Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.23241v1
• Date: Mon, 27 Oct 2025 11:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.538661
• Title: Progressive Growing of Patch Size: Curriculum Learning for Accelerated and Improved Medical Image Segmentation
• Title（参考訳）: パッチサイズの進歩的成長--加速・改善された医用画像分割のためのカリキュラム学習
• Authors: Stefan M. Fischer, Johannes Kiechle, Laura Daza, Lina Felsner, Richard Osuala, Daniel M. Lang, Karim Lekadir, Jan C. Peeken, Julia A. Schnabel,
• Abstract要約: 本稿では,3次元医用画像セグメンテーションのための自動カリキュラム学習手法であるPatch Sizeのプログレッシブグロースを紹介する。 カリキュラムのアプローチを,資源効率モードと性能モードの2つの設定で評価する。 提案した性能モードは,Dice Score性能の一定パッチサイズベースラインを超えるとともに,トレーニング時間を89%に短縮する。
• 参考スコア（独自算出の注目度）: 2.9530290621225865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we introduce Progressive Growing of Patch Size, an automatic curriculum learning approach for 3D medical image segmentation. Our approach progressively increases the patch size during model training, resulting in an improved class balance for smaller patch sizes and accelerated convergence of the training process. We evaluate our curriculum approach in two settings: a resource-efficient mode and a performance mode, both regarding Dice score performance and computational costs across 15 diverse and popular 3D medical image segmentation tasks. The resource-efficient mode matches the Dice score performance of the conventional constant patch size sampling baseline with a notable reduction in training time to only 44%. The performance mode improves upon constant patch size segmentation results, achieving a statistically significant relative mean performance gain of 1.28% in Dice Score. Remarkably, across all 15 tasks, our proposed performance mode manages to surpass the constant patch size baseline in Dice Score performance, while simultaneously reducing training time to only 89%. The benefits are particularly pronounced for highly imbalanced tasks such as lesion segmentation tasks. Rigorous experiments demonstrate that our performance mode not only improves mean segmentation performance but also reduces performance variance, yielding more trustworthy model comparison. Furthermore, our findings reveal that the proposed curriculum sampling is not tied to a specific architecture but represents a broadly applicable strategy that consistently boosts performance across diverse segmentation models, including UNet, UNETR, and SwinUNETR. In summary, we show that this simple yet elegant transformation on input data substantially improves both Dice Score performance and training runtime, while being compatible across diverse segmentation backbones.
• Abstract（参考訳）: 本稿では,3次元医用画像セグメンテーションのための自動カリキュラム学習手法である,Patch Sizeのプログレッシブ・グロース(Progressive Growing)を紹介する。 提案手法は,モデルトレーニング中のパッチサイズを徐々に増加させ,より小さなパッチサイズに対するクラスバランスを改善し,トレーニングプロセスの収束を加速させる。 我々は,15種類の多種多様な医用画像分割作業におけるDiceスコア性能と計算コストに関して,資源効率モードと性能モードの2つの設定でカリキュラムのアプローチを評価した。 資源効率モードは、従来の定パッチサイズサンプリングベースラインのDiceスコア性能と一致し、トレーニング時間を44%に短縮した。 パフォーマンスモードは、一定のパッチサイズセグメンテーション結果を改善し、Dice Scoreの1.28%の統計的に有意な相対的なパフォーマンス向上を達成する。 注目すべきは、15のタスクすべてにおいて、提案したパフォーマンスモードは、Dice Scoreのパフォーマンスにおいて、一定のパッチサイズベースラインを超え、同時にトレーニング時間をわずか89%に短縮することです。 この利点は、病変分割タスクのような高度に不均衡なタスクに対して特に顕著である。 厳密な実験により、我々の性能モードは平均セグメンテーション性能を向上するだけでなく、性能のばらつきを低減し、より信頼性の高いモデル比較をもたらすことが示された。 さらに,提案したカリキュラムサンプリングは,特定のアーキテクチャに縛られないが,UNet,UNETR,SwinUNETRなど,さまざまなセグメンテーションモデルのパフォーマンスを継続的に向上させる,広く適用可能な戦略を示す。 要約すると、この単純だがエレガントな入力データ変換は、様々なセグメンテーションバックボーン間で互換性を持ちながら、Dice Scoreのパフォーマンスとトレーニングランタイムの両方を大幅に改善する。

関連論文リスト

• J-RAS: Enhancing Medical Image Segmentation via Retrieval-Augmented Joint Training [0.0]
  本稿では,探索モデルとセグメンテーションモデルを統合したガイド画像セグメンテーションのジョイントトレーニング手法を提案する。 どちらのモデルも最適化されており、セグメンテーションモデルは取得した画像とマスクのペアを利用して解剖学的理解を深めることができる。 2つのベンチマークデータセット上で、U-Net、TransUNet、SAM、SegFormerを含む複数のセグメンテーションバックボーンにわたるJ-RASを検証する。
  論文  参考訳（メタデータ） (2025-10-11T01:53:28Z)
• Numerical Pruning for Efficient Autoregressive Models [87.56342118369123]
  本稿では,デコーダのみを用いた変圧器を用いた自己回帰モデルの圧縮に着目する。 具体的には,ニュートン法とモジュールの数値スコアをそれぞれ計算する学習自由プルーニング法を提案する。 提案手法の有効性を検証するため,理論的支援と広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-12-17T01:09:23Z)
• PARTICLE: Part Discovery and Contrastive Learning for Fine-grained Recognition [29.05343410791649]
  本研究では,細粒度分類タスクやセグメント化タスクを自己監督的に表現する手法を開発した。 部分中心の学習ステップが画像内の部分の表現を集約し、コントラストすることを示す。 これにより、データセット間の画像分類と部分分割タスクのパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-09-25T02:08:48Z)
• Joint Optimization of Class-Specific Training- and Test-Time Data Augmentation in Segmentation [35.41274775082237]
  本稿では,医用画像セグメンテーションのための有効で汎用的なデータ拡張フレームワークを提案する。 我々は、学習データと検証データの分布を整合させるために、計算効率が高く、データ効率のよい勾配に基づくメタラーニング手法を採用する。 本稿では,DeepMedic と nnU-Net の2つの最先端セグメンテーションモデルを用いた4つの医用画像セグメンテーション課題に対する提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-05-30T14:48:45Z)
• Getting More Juice Out of Your Data: Hard Pair Refinement Enhances Visual-Language Models Without Extra Data [122.282521548393]
  コントラスト言語-画像事前学習 (CLIP) は, クロスモーダルな画像-テキスト表現学習の標準となっている。 HELIPは、CLIPモデルを改善するためのコスト効率のよい戦略であり、継続的なトレーニングにおいて既存のデータセット内の挑戦的なテキストイメージペアを利用することで、CLIPモデルを改善する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• RAIS: Robust and Accurate Interactive Segmentation via Continual Learning [16.382862088005087]
  本稿では,対話型セグメンテーションと継続的学習のための堅牢で正確なアーキテクチャであるRAISを提案する。 テストセットを効率的に学習するために,グローバルパラメータとローカルパラメータを更新するための新しい最適化手法を提案する。 また,リモートセンシングと医用画像のデータセットにおけるロバスト性も示す。
  論文  参考訳（メタデータ） (2022-10-20T03:05:44Z)
• A Simple Baseline for Semi-supervised Semantic Segmentation with Strong Data Augmentation [74.8791451327354]
  セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。 単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。 本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-04-15T06:01:39Z)
• Improving Semantic Segmentation via Self-Training [75.07114899941095]
  半教師付きアプローチ,特に自己学習パラダイムを用いて,最先端の成果を得ることができることを示す。 まず、ラベル付きデータに基づいて教師モデルを訓練し、次にラベルなしデータの大規模なセット上で擬似ラベルを生成する。 私たちの堅牢なトレーニングフレームワークは、人名と擬似ラベルを共同で消化し、Cityscapes、CamVid、KITTIデータセット上で最高のパフォーマンスを達成することができます。
  論文  参考訳（メタデータ） (2020-04-30T17:09:17Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。