論文の概要: Efficient Search of Implantable Adaptive Cells for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.14849v1
• Date: Thu, 16 Apr 2026 10:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.843643
• Title: Efficient Search of Implantable Adaptive Cells for Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのための組込み型適応細胞の効率的な探索
• Authors: Emil Benedykciuk, Marcin Denkowski, Grzegorz M. Wójcik,
• Abstract要約: Embedable Adaptive Cells (IAC) は、U-Netスキップ接続に挿入されるコンパクトなNASモジュールである。 IACは、全検索を実行することなく、早期安定化操作から特定できる。 IAC-LTHは、患者レベルのセグメンテーション性能が一致し、時に元のフル長探索で見つかった細胞よりもわずかに高いIAC細胞を発見する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Adaptive skip modules can improve medical image segmentation, but searching for them is computationally costly. Implantable Adaptive Cells (IACs) are compact NAS modules inserted into U-Net skip connections, reducing the search space compared with full-network NAS. However, the original IAC framework still requires a 200-epoch differentiable search for each backbone and dataset. Methods: We analyzed the temporal behavior of operations and edges within IAC cells during differentiable search on public medical image segmentation benchmarks. We found that operations selected in the final discrete cell typically emerge among the strongest candidates early in training, and their architecture parameters stabilize well before the final epoch. Based on this, we propose a Jensen--Shannon-divergence-based stability criterion that tracks per-edge operation-importance distributions and progressively prunes low-importance operations during search. The accelerated framework is called IAC-LTH. Results: Across four public benchmarks (ACDC, BraTS, KiTS, AMOS), several 2-D U-Net backbones, and a 2-D nnU-Net pipeline, IAC-LTH discovers IAC cells whose patient-level segmentation performance matches and sometimes slightly exceeds that of cells found by the original full-length search, while reducing wall-clock NAS cost by 3.7x to 16x across datasets and backbones. These results are consistent across architectures, benchmarks, and both non-augmented and augmented training settings, while preserving the gains of IAC-equipped U-Nets over strong attention-based and dense-skip baselines. Conclusion: Competitive IAC architectures can be identified from early-stabilizing operations without running the full search, making adaptive skip-module design more practical for medical image segmentation under realistic computational constraints.
• Abstract（参考訳）: 目的: 適応スキップモジュールは, 医用画像のセグメンテーションを改善することができるが, それらの検索には計算コストがかかる。 組み込みアダプティブセル(IAC)は、U-Netスキップ接続に挿入されるコンパクトNASモジュールであり、フルネットワークNASと比較して検索スペースを削減している。 しかし、元々のIACフレームワークでは、バックボーンとデータセットごとに200エポシブルな検索が必要だった。 方法: 公開医用画像セグメンテーションベンチマークにおいて, IACセル内の操作とエッジの時間的挙動について検討した。 その結果, 最終離散細胞で選択された操作は, 訓練の初期段階において最強候補の1つとして現れ, アーキテクチャパラメータは最終時代よりもかなり早く安定していることが判明した。 そこで本論文では,Hensen-Shannon-divergence-based stability criterionを提案する。 アクセラレーションフレームワークはIAC-LTHと呼ばれる。 結果: 4つの公開ベンチマーク(ACDC, BraTS, KiTS, AMOS)、複数の2次元U-Netバックボーン、および2次元nnU-Netパイプラインにおいて、IAC-LTHは、患者レベルのセグメンテーション性能が一致し、時に元のフル長検索で見つかったセルよりもわずかに多いIAC細胞を発見すると同時に、データセットとバックボーン間のNASコストを3.7倍から16倍に削減する。 これらの結果は、アーキテクチャ、ベンチマーク、強化されていないトレーニング設定と拡張されたトレーニング設定の両方に一貫性があり、強い注意ベースと密度の高いスキップベースラインに対するIAC搭載のU-Netの増加を保っている。 結論: 競合型IACアーキテクチャは全検索を実行せずに早期安定化操作から特定でき, 現実的な計算制約下での医用画像のセグメンテーションにおいて, 適応型スキップモジュール設計をより実用的なものにすることができる。

関連論文リスト

• A Composable Channel-Adaptive Architecture for Seizure Classification [7.0214066512269]
  任意の数のチャネルで時系列をシームレスに処理できるチャネル適応型(CA)アーキテクチャを開発した。 発作検出タスクを短時間(20時間)と長期(2500時間)のデータセットで評価した。
  論文  参考訳（メタデータ） (2025-12-22T07:57:20Z)
• Flexiffusion: Training-Free Segment-Wise Neural Architecture Search for Efficient Diffusion Models [50.260693393896716]
  拡散モデル(DM)は高忠実度画像を生成できる強力な生成モデルであるが、高い計算コストで制約される。 我々は、事前訓練されたパラメータを変更することなく、生成スケジュールとモデルアーキテクチャを協調的に最適化する、トレーニング不要なNASフレームワークFlexiffusionを提案する。 我々の研究は、品質を犠牲にすることなく高速DMを検索するための資源効率の良いパラダイムを開拓した。
  論文  参考訳（メタデータ） (2025-06-03T06:02:50Z)
• Implantable Adaptive Cells: A Novel Enhancement for Pre-Trained U-Nets in Medical Image Segmentation [0.0]
  本稿では,医用画像分割におけるトレーニング済みニューラルネットワークの性能向上のための新しいアプローチを提案する。 本稿では, 部分連結DARTSをベースとした小型モジュールであるIAC(Indegable Adaptive Cell)のコンセプトを提案する。 MRIとCT画像を用いた4つの医学データセットの実験では、様々なU-Net構成に対して一貫した精度の向上が示されている。
  論文  参考訳（メタデータ） (2024-05-06T12:40:15Z)
• DIAS: A Dataset and Benchmark for Intracranial Artery Segmentation in DSA sequences [19.61593883367223]
  血管形態の定量化にはDSA(Digital Subtraction Angiography)の頭蓋内動脈(IA)が重要である。 現在の研究は、主にプロプライエタリデータセットを使用した単一フレームDSAのセグメンテーションに焦点を当てている。 DSAシークエンスにおけるIAセグメンテーションのためのデータセットであるDIASを紹介する。
  論文  参考訳（メタデータ） (2023-06-21T10:03:56Z)
• DHA: End-to-End Joint Optimization of Data Augmentation Policy, Hyper-parameter and Architecture [81.82173855071312]
  本稿では,AutoMLコンポーネントを統合したエンドツーエンドソリューションを提案する。 Dhaは、様々なデータセット、特にセルベースの検索空間を持つImageNetの77.4%の精度で、最先端(SOTA)結果を達成する。
  論文  参考訳（メタデータ） (2021-09-13T08:12:50Z)
• Auto-Panoptic: Cooperative Multi-Component Architecture Search for Panoptic Segmentation [144.50154657257605]
  本稿では、バックボーン、セグメンテーションブランチ、フィーチャーフュージョンモジュールを含むすべての主要コンポーネントを同時に検索する効率的なフレームワークを提案する。 検索したアーキテクチャ、すなわちAuto-Panopticは、挑戦的なCOCOとADE20Kベンチマークに関する新しい最先端技術を実現します。
  論文  参考訳（メタデータ） (2020-10-30T08:34:35Z)
• SAR-NAS: Skeleton-based Action Recognition via Neural Architecture Searching [18.860051578038608]
  スケルトンベースのアクションインスタンスをテンソルにエンコードし、正常細胞と還元細胞という2種類のネットワーク細胞を構築するための一連の操作を定義する。 NTU RGB+DとKinecticsのデータセットに挑戦する実験では、骨格に基づく行動認識のために開発されたネットワークのほとんどは、コンパクトで効率的なものではないことが確認された。 提案手法は,最先端の手法よりも比較や性能の向上が可能な,そのようなコンパクトなネットワークを探索する手法を提供する。
  論文  参考訳（メタデータ） (2020-10-29T03:24:15Z)
• ISTA-NAS: Efficient and Consistent Neural Architecture Search by Sparse Coding [86.40042104698792]
  スパース符号問題としてニューラルアーキテクチャ探索を定式化する。 実験では、CIFAR-10の2段階法では、検索にわずか0.05GPUしか必要としない。 本手法は,CIFAR-10とImageNetの両方において,評価時間のみのコストで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-13T04:34:24Z)
• MS-NAS: Multi-Scale Neural Architecture Search for Medical Image Segmentation [16.206524842952636]
  本稿では,ネットワークバックボーンからセル操作までのマルチスケール検索空間を特徴とするマルチスケールNASフレームワークを提案する。 セグメンテーションのための様々なデータセットにおいて、MS-NASは最先端の手法より優れており、0.6-5.4% mIOUと0.4-3.5%のDSC改善を実現している。
  論文  参考訳（メタデータ） (2020-07-13T02:02:00Z)
• Searching Central Difference Convolutional Networks for Face Anti-Spoofing [68.77468465774267]
  顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。 最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。 ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
  論文  参考訳（メタデータ） (2020-03-09T12:48:37Z)

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。