Fugu-MT 論文翻訳(概要): MonoUNet: A Robust Tiny Neural Network for Automated Knee Cartilage Segmentation on Point-of-Care Ultrasound Devices

論文の概要: MonoUNet: A Robust Tiny Neural Network for Automated Knee Cartilage Segmentation on Point-of-Care Ultrasound Devices

arxiv url: http://arxiv.org/abs/2604.07780v1
Date: Thu, 09 Apr 2026 04:14:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-10 18:34:05.688224
Title: MonoUNet: A Robust Tiny Neural Network for Automated Knee Cartilage Segmentation on Point-of-Care Ultrasound Devices
Title（参考訳）: MonoUNet:極小超音波デバイスを用いた自動膝軟骨分割のためのロバストティニーニューラルネットワーク
Authors: Alvin Kimbowa, Arjun Parmar, Ibrahim Mujtaba, Will Wei, Maziar Badii, Matthew Harkey, David Liu, Ilker Hacihaliloglu,
Abstract要約: ポイント・オブ・ケア・超音波(POCUS)デバイスを用いた人工膝関節脱臼のための超コンパクト深層学習モデルを開発した。 MonoUNetは、(i)非対称デコーダを備えた積極的に縮小されたバックボーン、(ii)マルチスケールの局所的な位相特徴を抽出するトレーニング可能なモノジェニックブロック、(iii)ゲートされた特徴注入機構からなる。 MonoUNetは多部位多デバイス人工膝関節超音波データセットを用いて評価した。
参考スコア（独自算出の注目度）: 3.64325868505768
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Objective: To develop a robust and compact deep learning model for automated knee cartilage segmentation on point-of-care ultrasound (POCUS) devices. Methods: We propose MonoUNet, an ultra-compact U-Net consisting of (i) an aggressively reduced backbone with an asymmetric decoder, (ii) a trainable monogenic block that extracts multi-scale local phase features, and (iii) a gated feature injection mechanism that integrates these features into the encoder stages to reduce sensitivity to variations in ultrasound image appearance and improve robustness across devices. MonoUNet was evaluated on a multi-site, multi-device knee cartilage ultrasound dataset acquired using cart-based, portable, and handheld POCUS devices. Results: Overall, MonoUNet outperformed existing lightweight segmentation models, with average Dice scores ranging from 92.62% to 94.82% and mean average surface distance (MASD) values between 0.133 mm and 0.254 mm. MonoUNet reduces the number of parameters by 10x--700x and computational cost by 14x--2000x relative to existing lightweight models. MonoUNet cartilage outcomes showed excellent reliability and agreement with the manual outcomes: intraclass correlation coefficients (ICC$_{2,k})$=0.96 and bias=2.00% (0.047 mm) for average thickness, and ICC$_{2,k}$=0.99 and bias=0.80% (0.328 a.u.) for echo intensity. Conclusion: Incorporating trainable local phase features improves the robustness of highly compact neural networks for knee cartilage segmentation across varying acquisition settings and could support scalable ultrasound-based assessment and monitoring of knee osteoarthritis using POCUS devices. The code is publicly available at https://github.com/alvinkimbowa/monounet.
Abstract（参考訳）: 目的: ポイント・オブ・ケア・超音波(POCUS)デバイスを用いた人工膝軟骨のセグメンテーションのための堅牢でコンパクトなディープラーニングモデルを開発する。方法:超コンパクトなU-NetであるMonoUNetを提案する。 (i)非対称デコーダ付き積極的に縮小したバックボーン二マルチスケール局所位相特徴を抽出する訓練可能な単発ブロック、及び 3)これらの特徴をエンコーダステージに統合し、超音波画像の外観の変化に対する感度を低減し、デバイス間の堅牢性を向上させるゲート機能注入機構。 MonoUNetは、カートベース、携帯型、ハンドヘルド型のPOCUSデバイスを用いて取得したマルチサイト多デバイス膝軟骨超音波データセットで評価された。結果: MonoUNetは既存の軽量セグメンテーションモデルより92.62%から94.82%、平均表面距離(MASD)は0.133mmから0.254mmである。 MonoUNetは、パラメータ数を10x--700x、計算コストを14x--2000x削減する。 MonoUNet 軟骨の結果は, 平均厚さに対するクラス内相関係数 (ICC$_{2,k})==0.96, 平均厚さに対するバイアス=2.00% (0.047 mm) , ICC$_{2,k}$=0.99, エコー強度に対するバイアス=0.80% (0.328 a.u.) に優れた信頼性と一致を示した。結論: 訓練可能な局所位相特徴を組み込むことで, 関節軟骨セグメンテーションのための高度にコンパクトなニューラルネットワークの信頼性が向上し, POCUS デバイスを用いた変形性膝関節症の評価とモニタリングのスケーラブルな支援が可能となった。コードはhttps://github.com/alvinkimbowa/monounet.comで公開されている。

関連論文リスト

Differential Attention-Augmented BiomedCLIP with Asymmetric Focal Optimization for Imbalanced Multi-Label Video Capsule Endoscopy Classification [1.2246649738388389]
本研究は,ビデオカプセル内視鏡(VCE)のためのマルチラベル分類フレームワークを提案する。アーキテクチャと最適化レベルの戦略を組み合わせることで、Galarデータセットに固有の極端なクラス不均衡に対処する。
論文参考訳（メタデータ） (2026-03-18T16:04:50Z)
Enabling Real-Time Colonoscopic Polyp Segmentation on Commodity CPUs via Ultra-Lightweight Architecture [11.978087816729534]
我々は超圧縮方式(0.3Mパラメータ)で機能するUltraSegファミリーを提示する。モデルは、精度を犠牲にすることなく、単一のCPUコア上で90FPSを達成する。この研究は、大腸内視鏡のためのCPUネイティブなソリューションを提供するだけでなく、より広範に侵襲的な外科的視覚応用のための再現可能な青写真も提供する。
論文参考訳（メタデータ） (2026-02-04T10:04:30Z)
UltraLBM-UNet: Ultralight Bidirectional Mamba-based Model for Skin Lesion Segmentation [34.50069854212544]
このUltraLBM-UNetは,マルチブランチ局所的特徴認識と双方向マンバに基づくグローバルモデリング機構を統合した軽量なU-Net変種である。提案モデルでは, 既存の軽量およびMambaのパラメータが0.034M, 0.060GFLOPよりも優れ, 常に最先端のセグメンテーション精度を実現している。これらの結果は、正確な、堅牢な病変解析が不可欠である、ポイント・オブ・ケア展開におけるUltraLBM-UNetの適合性を強調した。
論文参考訳（メタデータ） (2025-12-25T09:05:02Z)
Radiology Report Generation with Layer-Wise Anatomical Attention [35.18016233072556]
我々は胸部X線レポートのFinderingsセクションを生成するコンパクトな画像からテキストへのアーキテクチャを提案する。このモデルは凍結した自己蒸留とNo Labels v3 (DINOv3) Vision Transformer (ViT)エンコーダとGenerative Pre-trained Transformer 2 (GPT-2)デコーダを組み合わせたものである。
論文参考訳（メタデータ） (2025-12-18T18:17:57Z)
LM-CartSeg: Automated Segmentation of Lateral and Medial Cartilage and Subchondral Bone for Radiomics Analysis [0.2538209532048867]
LM-CartSegは軟骨/骨分割、幾何学的側面/メディカル区画化、放射線分析のための完全自動パイプラインである。結果: OAIZIB-CMのマクロASSDは2.63mmから0.36mm,HD95は25.2mmから3.35mmに改善され,DSC 0.91,SKI-10のゼロショットデータセットは0.80であった。
論文参考訳（メタデータ） (2025-12-03T05:07:56Z)
LGPS: A Lightweight GAN-Based Approach for Polyp Segmentation in Colonoscopy Images [40.19053450600923]
ポリプセグメンテーションのための軽量なGANベースのフレームワークであるLGPSを提案する。 1) 改良された残留ブロックで強化されたMobileNetV2バックボーンと、効率的な特徴抽出のためのSqueeze-and-Excitationモジュールである。最大かつ挑戦的なPolypGenテストデータセットでは、LGPSはDiceの0.7299とIoUの0.7867を達成し、全てのSOTAワークを上回り、堅牢な一般化を実証した。
論文参考訳（メタデータ） (2025-03-24T02:41:53Z)
Machine-agnostic Automated Lumbar MRI Segmentation using a Cascaded Model Based on Generative Neurons [0.22198209072577352]
MRI画像から腰椎椎間板と椎間板を分離する新しい機械診断手法を提案する。 12のスキャナーと34の被験者の画像からなるユニークなデータセットを、戦略的前処理とデータ拡張技術によって強化した。本モデルとDenseNet121エンコーダの併用により, 腰椎椎間板断面積が83.66%, 感度が91.44%, Dice similarity Coefficient (DSC) が91.03%, 腰椎椎間板断面積が良好であった。
論文参考訳（メタデータ） (2024-11-23T21:34:29Z)
CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文参考訳（メタデータ） (2022-06-22T14:19:06Z)
Multi-Slice Net: A novel light weight framework for COVID-19 Diagnosis [38.32234937094937]
本稿では,CTスキャンを用いた軽量な新型コロナウイルス診断フレームワークを提案する。特徴抽出器として強力なバックボーンネットワークを用い,識別的スライスレベルの特徴を抽出する。これらの特徴は、患者レベル診断を得るために、軽量ネットワークによって集約される。
論文参考訳（メタデータ） (2021-08-09T02:46:11Z)
A Lottery Ticket Hypothesis Framework for Low-Complexity Device-Robust Neural Acoustic Scene Classification [78.04177357888284]
デバイス・ロバスト音響シーン分類(ASC)のためのデータ拡張、知識伝達、プルーニング、量子化を組み合わせた新しいニューラルモデル圧縮戦略を提案する。本稿では,低複雑マルチデバイスASCのためのアコースティック・ロッテリー(Austratic Lottery)という,効率的なジョイント・フレームワークについて報告する。
論文参考訳（メタデータ） (2021-07-03T16:25:24Z)

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。