論文の概要: LightMedSeg: Lightweight 3D Medical Image Segmentation with Learned Spatial Anchors

• arxiv url: http://arxiv.org/abs/2603.07228v1
• Date: Sat, 07 Mar 2026 14:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.103323
• Title: LightMedSeg: Lightweight 3D Medical Image Segmentation with Learned Spatial Anchors
• Title（参考訳）: LightMedSeg: 学習した空間アンカーを用いた軽量な3D医療画像セグメンテーション
• Authors: Kavyansh Tyagi, Vishwas Rathi, Puneet Goyal,
• Abstract要約: 変換器に基づく手法は高い精度を実現するが、過度なパラメータ、高いFLOP、限られた一般化に悩まされる。 適応型コンテキストモデリングと解剖学的な事前処理を統合するモジュール型UNetスタイルセグメンテーションアーキテクチャであるLightMedSegを提案する。 LightMedSegは、重変圧器ベースラインのいくつかのDiceポイント内でセグメンテーションの精度を達成する。
• 参考スコア（独自算出の注目度）: 6.372261626436676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and efficient 3D medical image segmentation is essential for clinical AI, where models must remain reliable under stringent memory, latency, and data availability constraints. Transformer-based methods achieve strong accuracy but suffer from excessive parameters, high FLOPs, and limited generalization. We propose LightMedSeg, a modular UNet-style segmentation architecture that integrates anatomical priors with adaptive context modeling. Anchor-conditioned FiLM modulation enables anatomy-aware feature calibration, while a local structural prior module and texture-aware routing dynamically allocate representational capacity to boundary-rich regions. Computational redundancy is minimized through ghost and depthwise convolutions, and multi-scale features are adaptively fused via a learned skip router with anchor-relative spatial position bias. Despite requiring only 0.48M parameters and 14.64~GFLOPs, LightMedSeg achieves segmentation accuracy within a few Dice points of heavy transformer baselines. Therefore, LightMedSeg is a deployable and data-efficient solution for 3D medical image segmentation. Code will be released publicly upon acceptance.
• Abstract（参考訳）: モデルが厳格なメモリ、レイテンシ、データ可用性の制約の下で信頼性を維持する必要がある、臨床AIにとって、正確で効率的な3D医療画像セグメンテーションは不可欠である。 変換器に基づく手法は高い精度を達成するが、過度なパラメータ、高いFLOP、限られた一般化に悩まされる。 適応型コンテキストモデリングと解剖学的な事前情報を統合するモジュール型UNetスタイルセグメンテーションアーキテクチャであるLightMedSegを提案する。 アンカー条件のFiLM変調により、解剖学的特徴キャリブレーションが可能であり、局所的な構造的事前モジュールとテクスチャを考慮したルーティングは、境界リッチな領域に表現能力を動的に割り当てる。 コンピュータの冗長性はゴーストと奥行きの畳み込みによって最小化され、マルチスケールの特徴は、アンカー相対的な空間位置バイアスを持つ学習スキップルータを介して適応的に融合する。 0.48Mパラメータと14.64~GFLOPしか必要としないにもかかわらず、LightMedSegは重変圧器ベースラインのいくつかのDiceポイントでセグメンテーションの精度を達成している。 したがって、LightMedSegは3D画像セグメンテーションのためのデプロイ可能でデータ効率のよいソリューションである。 コードは受理後、公開される。

関連論文リスト

• RefineFormer3D: Efficient 3D Medical Image Segmentation via Adaptive Multi-Scale Transformer with Cross Attention Fusion [6.372261626436676]
  RefineFormer3Dは、医用画像のセグメンテーション精度と計算効率のバランスをとる軽量階層型トランスフォーマーアーキテクチャである。 このモデルは、メモリ要求の少ない高速な推論(8.35ms/GPU)を実現し、リソース制約のある臨床環境へのデプロイをサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:58:59Z)
• S2M-Net: Spectral-Spatial Mixing for Medical Image Segmentation with Morphology-Aware Adaptive Loss [0.0]
  医療画像のセグメンテーションには、境界クリティカルな臨床応用のための局所的精度、解剖学的コヒーレンスのためのグローバルコンテキスト、および既存のアーキテクチャが解決できない限られたデータやハードウェア上のデプロイのための計算効率のバランスが必要である。 我々は,S2M-Netを提案する。S2M-Netは,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,Morphology-Aware Adaptive Loss(MAS)の2つの相乗的イノベーションを通じて,グローバルなコンテキストを実現するためのアーキテクチャである。
  論文  参考訳（メタデータ） (2026-01-03T21:03:54Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• AGENet: Adaptive Edge-aware Geodesic Distance Learning for Few-Shot Medical Image Segmentation [0.0]
  AGENetはエッジ・アウェアな測地距離学習を通じて空間的関係を組み込む新しいフレームワークである。 私たちの重要な洞察は、医療構造はプロトタイプの抽出をガイドできる予測可能な幾何学的パターンに従っているということです。 本手法は,計算効率を維持しつつ,既存の手法と比較して境界誤差を低減する。
  論文  参考訳（メタデータ） (2025-11-11T09:56:35Z)
• MambaClinix: Hierarchical Gated Convolution and Mamba-Based U-Net for Enhanced 3D Medical Image Segmentation [6.673169053236727]
  医用画像分割のための新しいU字型アーキテクチャであるMambaClinixを提案する。 MambaClinixは、階層的なゲート畳み込みネットワークとMambaを適応的なステージワイドフレームワークに統合する。 以上の結果から,MambaClinixは低モデルの複雑さを維持しつつ高いセグメンテーション精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-19T07:51:14Z)
• Light-weight Retinal Layer Segmentation with Global Reasoning [14.558920359236572]
  OCT画像に適用可能な網膜層セグメンテーションのためのLightReSegを提案する。 提案手法は,現在の最先端技術であるTransUnetと比較して,セグメンテーション性能が向上する。
  論文  参考訳（メタデータ） (2024-04-25T05:42:41Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)

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。