Fugu-MT 論文翻訳(概要): Resource-efficient medical image classification for edge devices

論文の概要: Resource-efficient medical image classification for edge devices

arxiv url: http://arxiv.org/abs/2512.17515v1
Date: Fri, 19 Dec 2025 12:32:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-22 19:25:54.379366
Title: Resource-efficient medical image classification for edge devices
Title（参考訳）: エッジデバイスのための資源効率の良い医用画像分類
Authors: Mahsa Lavaei, Zahra Abadi, Salar Beigzad, Alireza Maleki,
Abstract要約: 本研究は, モデル量子化手法を用いて, 医用画像分類への資源効率の高いアプローチについて検討する。量子化はモデルパラメータとアクティベーションの精度を低下させ、計算オーバーヘッドとメモリ要求を大幅に低減させる。実験により,量子化モデルによりモデルサイズと推論遅延が大幅に低減され,エッジハードウェア上でリアルタイム処理が可能となった。
参考スコア（独自算出の注目度）: 0.43748379918040853
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Medical image classification is a critical task in healthcare, enabling accurate and timely diagnosis. However, deploying deep learning models on resource-constrained edge devices presents significant challenges due to computational and memory limitations. This research investigates a resource-efficient approach to medical image classification by employing model quantization techniques. Quantization reduces the precision of model parameters and activations, significantly lowering computational overhead and memory requirements without sacrificing classification accuracy. The study focuses on the optimization of quantization-aware training (QAT) and post-training quantization (PTQ) methods tailored for edge devices, analyzing their impact on model performance across medical imaging datasets. Experimental results demonstrate that quantized models achieve substantial reductions in model size and inference latency, enabling real-time processing on edge hardware while maintaining clinically acceptable diagnostic accuracy. This work provides a practical pathway for deploying AI-driven medical diagnostics in remote and resource-limited settings, enhancing the accessibility and scalability of healthcare technologies.
Abstract（参考訳）: 医用画像分類は医療において重要な課題であり、正確かつタイムリーな診断を可能にする。しかし、リソース制約のあるエッジデバイスにディープラーニングモデルをデプロイすることは、計算とメモリの制限による大きな課題を生じさせる。本研究は, モデル量子化手法を用いて, 医用画像分類への資源効率の高いアプローチについて検討する。量子化は、モデルパラメータとアクティベーションの精度を低下させ、分類精度を犠牲にすることなく、計算オーバーヘッドとメモリ要求を大幅に低下させる。本研究は,エッジデバイスに適したQAT(quantization-aware training)とPTQ(post-training Quantization)の最適化に焦点を当て,医療画像データセットにおけるモデルパフォーマンスへの影響を分析した。実験結果から,定量化モデルがモデルサイズと推論遅延を大幅に低減し,臨床的に許容できる診断精度を維持しつつ,エッジハードウェア上でリアルタイムに処理できることが確認された。この作業は、リモートおよびリソース制限された設定でAI駆動の医療診断をデプロイするための実践的な経路を提供し、医療技術のアクセシビリティとスケーラビリティを高める。

関連論文リスト

A Deep Learning Framework for Real-Time Image Processing in Medical Diagnostics: Enhancing Accuracy and Speed in Clinical Applications [0.0]
本稿では,リアルタイムな医用画像解析のためのディープラーニングフレームワークを提案する。提案システムは、高度なニューラルネットワークアーキテクチャとリアルタイム最適化戦略を統合している。診断を大幅に加速し、クリニックの作業量を削減し、時間クリティカルな医療環境におけるAI統合をサポートする。
論文参考訳（メタデータ） (2025-10-18T18:26:09Z)
Dual-Model Weight Selection and Self-Knowledge Distillation for Medical Image Classification [47.17249726328169]
自己知識蒸留(SKD)と二重モデル重み選択を統合した新しい医用画像分類法を提案する。提案手法は,コンパクトモデルにおいて重要な情報の保持に失敗する従来の手法の限界を克服する。
論文参考訳（メタデータ） (2025-08-28T06:15:06Z)
ClipGS: Clippable Gaussian Splatting for Interactive Cinematic Visualization of Volumetric Medical Data [51.095474325541794]
医用データのインタラクティブなシネマティック可視化のためのクリッピングプレーンを備えた革新的なガウススプレイティングフレームワークであるClipGSを紹介した。本手法を5つのボリューム医療データで検証し,平均36.635 PSNRレンダリング品質を156 FPS,16.1MBモデルサイズで達成した。
論文参考訳（メタデータ） (2025-07-09T08:24:28Z)
Iterative Misclassification Error Training (IMET): An Optimized Neural Network Training Technique for Image Classification [0.5115559623386964]
カリキュラム学習とコアセット選択に触発された新しいフレームワークであるIMET(Iterative Misclassification Error Training)を紹介する。 IMETは、トレーニングプロセスの合理化を図りつつ、エッジケースに対するモデルの注意を先入観的かつ稀な結果に優先順位付けしながら、誤分類されたサンプルを特定することを目的としている。本稿では,最新のResNetアーキテクチャに対するベンチマーク医用画像分類データセット上でのIMETの性能を評価する。
論文参考訳（メタデータ） (2025-07-01T04:14:16Z)
Embeddings are all you need! Achieving High Performance Medical Image Classification through Training-Free Embedding Analysis [0.0]
医療画像のための人工知能(AI)と機械学習(ML)モデルの開発は通常、大規模なデータセットに対する広範なトレーニングとテストを含む。従来の訓練手順を埋め込み型アプローチで置き換える可能性について検討した。
論文参考訳（メタデータ） (2024-12-12T16:59:37Z)
Low-Resolution Chest X-ray Classification via Knowledge Distillation and Multi-task Learning [46.75992018094998]
胸部X線(CXR)を低分解能で診断する上での課題について検討した。高分解能CXRイメージングは、結節や不透明など、小さなが重要な異常を識別するために重要である。本稿では,MLCAK(Multilevel Collaborative Attention Knowledge)法を提案する。
論文参考訳（メタデータ） (2024-05-22T06:10:54Z)
Less is more: Ensemble Learning for Retinal Disease Recognition Under Limited Resources [12.119196313470887]
本稿では,限られた資源で網膜疾患を認識できる新しいアンサンブル学習機構を提案する。このメカニズムは、複数の事前訓練されたモデルからの洞察を活用し、その知識を網膜CT画像に転送し適応させる。
論文参考訳（メタデータ） (2024-02-15T06:58:25Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
LDMRes-Net: Enabling Efficient Medical Image Segmentation on IoT and Edge Platforms [9.626726110488386]
本稿では,IoTおよびエッジプラットフォーム上での医用画像のセグメンテーションに適した,軽量なデュアルマルチスケール残差ブロック型ニューラルネットワークを提案する。 LDMRes-Netは、非常に少ない学習可能なパラメータ(0.072M)で制限を克服し、リソース制約のあるデバイスに非常に適している。
論文参考訳（メタデータ） (2023-06-09T10:34:18Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。