論文の概要: Karhunen-Loève Expansion-Based Residual Anomaly Map for Resource-Efficient Glioma MRI Segmentation

• arxiv url: http://arxiv.org/abs/2601.11833v1
• Date: Fri, 16 Jan 2026 23:48:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.338127
• Title: Karhunen-Loève Expansion-Based Residual Anomaly Map for Resource-Efficient Glioma MRI Segmentation
• Title（参考訳）: 資源効率の良いグリオーマMRI分割のためのKarhunen-Loève拡張型残留異常マップ
• Authors: Anthony Hur,
• Abstract要約: ディープラーニングは、現在、脳腫瘍セグメンテーションの最先端技術である。 最先端のモデルでは、何千ものトレーニングケースと膨大な計算能力を使用し、どちらかが制限された場合、パフォーマンスが急激に低下する。 本研究は,zスコア正規化MRIボリュームのダウンサンプリングにおける特徴抽出のステップを実装した。 後処理のDiceスコアは0.929(WT)、0.856(TC)、0.821(ET)でHD95距離は2.93、6.78、そして10.35ボクセルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of brain tumors is essential for clinical diagnosis and treatment planning. Deep learning is currently the state-of-the-art for brain tumor segmentation, yet it requires either large datasets or extensive computational resources that are inaccessible in most areas. This makes the problem increasingly difficult: state-of-the-art models use thousands of training cases and vast computational power, where performance drops sharply when either is limited. The top performer in the Brats GLI 2023 competition relied on supercomputers trained on over 92,000 augmented MRI scans using an AMD EPYC 7402 CPU, six NVIDIA RTX 6000 GPUs (48GB VRAM each), and 1024GB of RAM over multiple weeks. To address this, the Karhunen--Loève Expansion (KLE) was implemented as a feature extraction step on downsampled, z-score normalized MRI volumes. Each 240$\times$240$\times$155 multi-modal scan is reduced to four $48^3$ channels and compressed into 32 KL coefficients. The resulting approximate reconstruction enables a residual-based anomaly map, which is upsampled and added as a fifth channel to a compact 3D U-Net. All experiments were run on a consumer workstation (AMD Ryzen 5 7600X CPU, RTX 4060Ti (8GB VRAM), and 64GB RAM while using far fewer training cases. This model achieves post-processed Dice scores of 0.929 (WT), 0.856 (TC), and 0.821 (ET), with HD95 distances of 2.93, 6.78, and 10.35 voxels. These results are significantly better than the winning BraTS 2023 methodology for HD95 distances and WT dice scores. This demonstrates that a KLE-based residual anomaly map can dramatically reduce computational cost and data requirements while retaining state-of-the-art performance.
• Abstract（参考訳）: 脳腫瘍の正確なセグメンテーションは臨床診断と治療計画に不可欠である。 ディープラーニングは、現在、脳腫瘍セグメンテーションの最先端技術であるが、ほとんどの領域ではアクセスできない大規模なデータセットまたは広範な計算資源を必要とする。 最先端のモデルでは、何千ものトレーニングケースと膨大な計算能力を使用し、どちらかが制限された場合、パフォーマンスが急激に低下する。 Brats GLI 2023コンペティションのトップパフォーマーは、AMD EPYC 7402 CPU、NVIDIA RTX 6000 GPU(それぞれ48GB VRAM)、6週間にわたって1024GBのRAMを使用して、92,000以上のMRIスキャンをトレーニングしたスーパーコンピュータに頼っていた。 これを解決するため、KLE(Karhunen-Loève Expansion)は、低サンプリングのzスコア正規化MRIボリュームの特徴抽出ステップとして実装された。 240$\times$240$\times$155マルチモーダルスキャンは4つの48^3$チャネルに縮小され、32KL係数に圧縮される。 その結果、近似的な再構成により、コンパクトな3D U-Netに5番目のチャネルとしてアップサンプリングされ追加される残差ベースの異常マップが実現される。 全ての実験はコンシューマー向けワークステーション(AMD Ryzen 5 7600X CPU、RTX 4060Ti(8GB VRAM)、64GB RAMで実行され、トレーニングケースははるかに少ない。 このモデルは、HD95距離の0.929(WT)、0.856(TC)、0.821(ET)で、HD95距離は2.93、6.78、そして10.35ボクセルである。 これらの結果は、HD95距離とWTダイススコアで勝利したBraTS 2023法よりも有意に優れている。 このことは、KLEベースの残差異常マップが、最先端性能を維持しながら、計算コストとデータ要求を大幅に削減できることを示している。

関連論文リスト

• RFX: High-Performance Random Forests with GPU Acceleration and QLORA Compression [0.0]
  RFX (Random Forests X) は、X が圧縮または量子化の略であり、Python で Breiman と Cutler の Random Forest 分類方法論のプロダクション対応の実装を提供する。 RFX v1.0は完全な分類を提供する:out-of-bagエラー推定、総合的および局所的重要度測定、QLORA圧縮による近接行列、ケースワイズ分析、インタラクティブ可視化(rfviz)。 回帰、教師なし学習、CLIQUEの重要性、RF-GAP近接はv2.0で計画されている。
  論文  参考訳（メタデータ） (2025-11-23T12:00:33Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• MindGrab for BrainChop: Fast and Accurate Skull Stripping for Command Line and Browser [0.5983020804545164]
  我々はパラメータとメモリ効率の深い完全畳み込みモデルであるMindGrabを開発した。 MindGrabはSynthStripデータセットから得られた606個のマルチモーダル成人脳スキャン(T1, T2, DWI, MRA, PDw MRI, EPI, CT, PET)を用いて評価した。 MindGrabは標準偏差(SD)1.6で95.9のDiceスコアを達成し、古典的手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-06-13T15:09:15Z)
• 70% Size, 100% Accuracy: Lossless LLM Compression for Efficient GPU Inference via Dynamic-Length Float [52.079202872069835]
  大規模言語モデル(LLM)や拡散モデル(DM)といった大規模AIモデルは急速に成長している。 圧縮フレームワークであるDynamic-Length Float (DFloat11) を導入し, LLM と DM サイズを30%削減した。
  論文  参考訳（メタデータ） (2025-04-15T22:38:38Z)
• HeadInfer: Memory-Efficient LLM Inference by Head-wise Offloading [79.38548165722229]
  HEADINFERはKVキャッシュをCPURAMにオフロードするが、GPU上のトランスフォーマー層のKVキャッシュを完全に保存する必要はない。 HEADINFERはメモリフットプリントを大幅に削減し,計算効率を向上することを示した。
  論文  参考訳（メタデータ） (2025-02-18T06:26:05Z)
• Brain Tumour Removing and Missing Modality Generation using 3D WDM [2.0697927556594573]
  本稿では,第8タスクのための第2の配置ソリューションとBraTS 2024タスク7タスクへの参加ソリューションを提案する。 臨床実践を支援するための自動脳分析アルゴリズムの採用が増加している。 これらのアルゴリズムの多くは、脳病変の存在や、特定のMRIモダリティの欠如に苦慮している。
  論文  参考訳（メタデータ） (2024-11-07T11:29:55Z)
• LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation [7.1789008189318455]
  LATUP-Netは、並列畳み込みを備えた軽量な3DアテンションU-Netである。 高いセグメンテーション性能を維持しつつ、計算要求を大幅に削減するように設計されている。 BraTS 2020データセットの平均Diceスコアは88.41%、83.82%、73.67%であり、BraTS 2021データセットでは、それぞれ90.29%、89.54%、83.92%である。
  論文  参考訳（メタデータ） (2024-04-09T00:05:45Z)
• DR-Unet104 for Multimodal MRI brain tumor segmentation [7.786297008452384]
  脳MRIにおける病変分割のために,104層の畳み込み層(DR-Unet104)を有する2次元奥行きUnetを提案する。 Unetエンコーダに'bottleneck'残ブロックを追加し、各畳み込みブロックスタックの後にドロップアウトを追加するなど、Unetアーキテクチャに複数の追加を加えています。 コンボリューションは2次元のコンボリューションしかなく,低消費電力コンピュータで使用可能なメリットも備えた,競争力のある病変分割アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-11-04T01:24:26Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)

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。