論文の概要: From Performance to Practice: Knowledge-Distilled Segmentator for On-Premises Clinical Workflows

• arxiv url: http://arxiv.org/abs/2601.09191v1
• Date: Wed, 14 Jan 2026 05:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.287299
• Title: From Performance to Practice: Knowledge-Distilled Segmentator for On-Premises Clinical Workflows
• Title（参考訳）: パフォーマンスから実践へ:オンプレミス臨床ワークフローのための知識蒸留セグメンテーション
• Authors: Qizhen Lan, Aaron Choi, Jun Ma, Bo Wang, Zhaogming Zhao, Xiaoqian Jiang, Yu-Chun Hsu,
• Abstract要約: 本稿では,高パフォーマンスセグメンテーションモデルを拡張性のあるコンパクトな学生モデルファミリに変換するためのデプロイメント指向フレームワークを提案する。 提案手法は,既存の臨床システムとのアーキテクチャ互換性を維持しつつ,体系的な容量削減を実現している。 その結果、知識蒸留は、研究グレードのセグメンテーションモデルを保守可能で展開可能なコンポーネントに変換するための実用的で信頼性の高い経路を提供することを示した。
• 参考スコア（独自算出の注目度）: 8.438143117044795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying medical image segmentation models in routine clinical workflows is often constrained by on-premises infrastructure, where computational resources are fixed and cloud-based inference may be restricted by governance and security policies. While high-capacity models achieve strong segmentation accuracy, their computational demands hinder practical deployment and long-term maintainability in hospital environments. We present a deployment-oriented framework that leverages knowledge distillation to translate a high-performing segmentation model into a scalable family of compact student models, without modifying the inference pipeline. The proposed approach preserves architectural compatibility with existing clinical systems while enabling systematic capacity reduction. The framework is evaluated on a multi-site brain MRI dataset comprising 1,104 3D volumes, with independent testing on 101 curated cases, and is further examined on abdominal CT to assess cross-modality generalizability. Under aggressive parameter reduction (94%), the distilled student model preserves nearly all of the teacher's segmentation accuracy (98.7%), while achieving substantial efficiency gains, including up to a 67% reduction in CPU inference latency without additional deployment overhead. These results demonstrate that knowledge distillation provides a practical and reliable pathway for converting research-grade segmentation models into maintainable, deployment-ready components for on-premises clinical workflows in real-world health systems.
• Abstract（参考訳）: 日常的な臨床ワークフローに医療画像セグメンテーションモデルをデプロイすることは、計算リソースが固定され、クラウドベースの推論がガバナンスとセキュリティポリシーによって制限されるような、オンプレミスインフラストラクチャによって制約されることが多い。 高容量モデルは高いセグメンテーション精度を達成するが、その計算要求は病院環境における実用的展開と長期維持性を妨げている。 本稿では,知識蒸留を利用して,高い性能のセグメンテーションモデルを推論パイプラインを変更することなく,スケーラブルなコンパクトな学生モデルのファミリーに変換するデプロイメント指向フレームワークを提案する。 提案手法は,既存の臨床システムとのアーキテクチャ互換性を維持しつつ,体系的な容量削減を実現している。 本フレームワークを1,1043Dボリュームからなる多部位脳MRIデータセットを用いて評価し,101症例の独立検査を行い,腹部CTにてクロスモーダリティの一般化性について検討した。 アグレッシブパラメータ削減(94%)の下では、蒸留された学生モデルは教師のセグメンテーション精度(98.7%)のほぼ全てを保ちながら、追加のデプロイメントオーバーヘッドなしで最大67%のCPU推論レイテンシの削減を含む大幅な効率向上を実現している。 これらの結果は、知識蒸留が、研究グレードのセグメンテーションモデルを、現実の医療システムにおけるオンプレミス臨床ワークフローのための保守可能でデプロイ可能なコンポーネントに変換するための、実用的で信頼性の高い経路を提供することを示している。

関連論文リスト

• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• Task-Adaptive Low-Dose CT Reconstruction [0.0]
  深層学習に基づくCT再構成手法は,画像品質の基準値に対して,すでに高い性能を達成している。 しかし、診断タスクに必要な重要な解剖学的詳細を保存できないこともしばしばあります。 本稿では,凍結した事前学習タスクネットワークを復元損失関数の正規化用語として組み込んだ新しいタスク適応型再構築フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-10T13:30:59Z)
• Colorectal Cancer Histopathological Grading using Multi-Scale Federated Learning [0.0]
  本稿では,大腸癌診断のための拡張性,プライバシ保護型フェデレーション学習フレームワークを提案する。 我々のフレームワークは全体の83.5%の精度を達成し、同等の集中型モデルよりも優れています。 提案されたモジュールパイプラインは、デジタル病理のためのデプロイ可能でプライバシに配慮した臨床AIに向けた基礎的なステップを確立する。
  論文  参考訳（メタデータ） (2025-11-05T18:18:09Z)
• 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)
• Efficient Epistemic Uncertainty Estimation in Cerebrovascular Segmentation [1.3980986259786223]
  ベイズ近似とディープアンサンブルの利点を組み合わせた効率的なアンサンブルモデルを提案する。 高モデル不確実性と誤予測の領域は一致しており、このアプローチの有効性と信頼性を示している。
  論文  参考訳（メタデータ） (2025-03-28T09:39:37Z)
• InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
  本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。 胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。 IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
  論文  参考訳（メタデータ） (2024-08-12T19:19:23Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• 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。