論文の概要: Resource-Aware Evolutionary Neural Architecture Search for Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2605.08238v1
• Date: Thu, 07 May 2026 03:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.487061
• Title: Resource-Aware Evolutionary Neural Architecture Search for Cardiac MRI Segmentation
• Title（参考訳）: 心臓MRIセグメント化のための資源を考慮した進化的ニューラルネットワーク探索
• Authors: Farhana Yasmin, Mahade Hasan, Haipeng Liu, Amjad Ali, Ghulam Muhammad, Yu Xue,
• Abstract要約: CardiacNASは、UNetのようなスーパーネットと心を意識した検索空間を結合した進化的ニューラルネットワーク検索フレームワークである。 サーチは、固定された計算予算下でのモデルサイズと浮動小数点演算(FLOP)に対して、ダイス類似度係数(DSC)と95番目のパーセンタイルハウスドルフ距離(HD95)を共同最適化する。 平均DSCは93.22%、HD95は4.73mm、パラメータは3.58M、GFLOPは14.56である。
• 参考スコア（独自算出の注目度）: 6.107751138576539
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac magnetic resonance (CMR) segmentation underpins quantitative assessment of ventricular structure and function, yet reliable delineation remains difficult due to low tissue contrast, fuzzy boundaries, and inter scan variability. We present CardiacNAS, an evolutionary neural architecture search (NAS) framework that couples a UNet like supernet with a cardiac aware search space spanning depth width, kernel size, filter size, attention, fusion, activation, dropout, and residual scaling. The search is explicitly resource aware, jointly optimizing dice similarity coefficient (DSC) and 95th percentile Hausdorff distance (HD95) versus model size and floating point operations (FLOPs) under fixed compute budgets. Candidate architectures are instantiated from the supernet, trained with proxy budgets, and evolved through crossover, mutation, and elitist selection. We evaluate on the ACDC dataset and compare against six state of the art methods, using qualitative comparisons, learning curve analyses, and design factor correlation studies. The resulting model attains 93.22% average DSC and 4.73 mm HD95 with 3.58M parameters and 14.56 GFLOPs, demonstrating a favorable accuracy efficiency trade off. Analyses indicate that searched attention and fusion choices, together with residual scaling, contribute to improved boundary fidelity and stability. CardiacNAS offers a principled, resource aware approach to deployable CMR segmentation with transparent reporting of architectural complexity and compute budgets.
• Abstract（参考訳）: 心臓磁気共鳴(CMR)セグメンテーションは、心室構造と機能について定量的に評価するが、低い組織コントラスト、ファジィ境界、スキャン間変動が原因で信頼性の低いデライン化は困難である。 進化的ニューラルネットワークサーチ(NAS)フレームワークであるCardiacNASを,深さ幅,カーネルサイズ,フィルタサイズ,注意,融合,アクティベーション,ドロップアウト,残留スケーリングにまたがる心的検索空間に,UNetのようなスーパーネットを結合する。 サーチは、固定された計算予算下でのモデルサイズと浮動小数点演算(FLOP)に対して、ダイス類似度係数(DSC)と95番目のパーセンタイルハウスドルフ距離(HD95)を共同最適化する。 候補アーキテクチャはスーパーネットからインスタンス化され、プロキシ予算でトレーニングされ、クロスオーバー、突然変異、エリート主義者の選択を通じて進化する。 我々は,ACDCデータセットを用いて,定性比較,学習曲線解析,設計因子相関分析を用いて,最先端の6つの手法との比較を行った。 平均DSCは93.22%、HD95は4.73mm、パラメータは3.58M、GFLOPは14.56である。 分析は、探索された注意と融合の選択が、残留スケーリングとともに、境界の忠実性と安定性の向上に寄与していることを示している。 CardiacNASは、アーキテクチャの複雑さと計算予算を透過的に報告する、デプロイ可能なCMRセグメンテーションに対して、原則としてリソースを意識したアプローチを提供する。

関連論文リスト

• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
  MRIからCTへの変換にはGANアーキテクチャが提案されている。 我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-03-13T18:54:20Z)
• Optimized Hybrid Feature Engineering for Resource-Efficient Arrhythmia Detection in ECG Signals: An Optimization Framework [0.0]
  本研究では,複雑性よりも機能工学を優先する資源効率の高いデータ中心型フレームワークを提案する。 最適化されたパイプラインは、複雑で高次元の不整脈データを線形分離可能にします。 MIT-BIHとINCARTデータセットの検証では、98.44%の精度で8.54KBのモデルフットプリントが得られる。
  論文  参考訳（メタデータ） (2026-01-01T03:44:42Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• An Efficient Approach for Muscle Segmentation and 3D Reconstruction Using Keypoint Tracking in MRI Scan [8.089892147270529]
  本研究は,キーポイント選択とルーカス・カナーデ光流を統合したキーポイント追跡に基づく,学習不要なセグメンテーション手法を提案する。 提案手法はキーポイント選択戦略に応じて0.6から0.7の範囲の平均Dice類似度係数(DSC)を実現する。
  論文  参考訳（メタデータ） (2025-07-11T15:39:28Z)
• Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
  心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
  論文  参考訳（メタデータ） (2025-04-27T16:43:52Z)
• Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
  本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
  論文  参考訳（メタデータ） (2020-04-05T16:34:51Z)

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。