論文の概要: MedCore: Boundary-Preserving Medical Core Pruning for MedSAM

• arxiv url: http://arxiv.org/abs/2605.13688v1
• Date: Wed, 13 May 2026 15:42:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.149622
• Title: MedCore: Boundary-Preserving Medical Core Pruning for MedSAM
• Title（参考訳）: MedCore:MedSAMのための境界保存型医療コアプルーニング
• Authors: Cenwei Zhang, Suncheng Xiang, Lei You,
• Abstract要約: 我々はMedSAMのための構造化プルーニングフレームワークであるMedCoreを提案する。 MedCoreはSAM-to-MedSAM適応時に重要になった構造と、高いバウンダリレバレッジを持つ構造という2つのタイプの構造を保存している。 ポリプセグメンテーションベンチマークにおいて、MedCoreはパラメータを60.0%、FLOPを58.4%削減し、リカバリ後のDice 0.9549、Bundary F1388、HD95 5.14を達成している。
• 参考スコア（独自算出の注目度）: 8.318835832798163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical segmentation foundation models such as SAM and MedSAM provide strong prompt-driven segmentation, but their image encoders are still too large for many clinical settings. Compression is also risky in medicine because a model can keep high Dice while losing boundary fidelity. We propose MedCore, a structured pruning framework for MedSAM. The main idea is to preserve two kinds of structures: structures that became important during SAM-to-MedSAM adaptation, and structures that have high boundary leverage. We identify the first type by a dual-intervention score that compares zeroing a group with resetting it to its original SAM weight. We identify the second type by boundary-aware Fisher estimation. We also introduce a boundary leverage principle, which shows that compression-induced boundary displacement is controlled by logit perturbation on the boundary divided by the logit spatial gradient. This principle explains why boundary metrics can degrade even when Dice remains high. On polyp segmentation benchmarks, MedCore reduces parameters by 60.0% and FLOPs by 58.4% while achieving Dice 0.9549, Boundary F1 0.6388, and HD95 5.14 after recovery fine-tuning. It also reaches 86.6% parameter reduction and 90.4G FLOPs with strong boundary quality. Our analysis further shows that MedSAM lies in a head-fragile boundary regime: head-pruning steps have 2.887 times larger 95th-percentile boundary leverage than MLP-pruning steps, and this logit-level effect is consistent with BF1 and HD95 degradation. Our code is available at https://github.com/cenweizhang/MedCore.
• Abstract（参考訳）: SAMやMedSAMのような医用セグメンテーション基盤モデルは、強力なプロンプト駆動セグメンテーションを提供するが、画像エンコーダは、多くの臨床環境では大きすぎる。 圧縮は、モデルが境界の忠実さを失いながら高Diceを維持することができるため、医学的にも危険である。 我々はMedSAMのための構造化プルーニングフレームワークであるMedCoreを提案する。 主な目的は、SAM-to-MedSAM適応の間に重要になった構造と、高い境界レバレッジを持つ構造という2種類の構造を保存することである。 我々は、グループをゼロにし、それを元のSAM重みにリセットする双対干渉スコアによって最初の型を識別する。 境界認識型フィッシャー推定法により第2のタイプを同定する。 また, 圧縮誘起境界変位は, 対数空間勾配で分割された境界上の対数摂動によって制御されることを示す境界レバレッジ原理を導入する。 この原則は、Diceが高いままでも境界メトリクスが劣化する理由を説明する。 ポリプセグメンテーションのベンチマークでは、Dice 0.9549、Bundary F1 0.6388、HD95 5.14をリカバリ後、パラメータを60.0%、FLOPsを58.4%削減する。 また、86.6%のパラメータ還元と90.4GのFLOPが強い境界品質を持つ。 ヘッドプルーニングステップは, MLPプルーニングステップよりも95分の1の濃度境界レバレッジが2.887倍大きく, このロジットレベル効果はBF1とHD95の劣化と一致している。 私たちのコードはhttps://github.com/cenweizhang/MedCore.comで利用可能です。

関連論文リスト

• Remote SAMsing: From Segment Anything to Segment Everything [0.1749935196721634]
  SAM2は自然画像上で高品質なゼロショットセグメンテーションを生成する。 大きなリモートセンシングシーンに適用すると、2つの問題が浮き彫りになる。 SAM2を変更したり、トレーニングデータを必要とすることなく、両方の問題を解決するオープンソースのパイプラインであるRemote SAMsingを提案する。
  論文  参考訳（メタデータ） (2026-04-30T21:44:03Z)
• RobustMedSAM: Degradation-Resilient Medical Image Segmentation via Robust Foundation Model Adaptation [1.5033787705636696]
  医用画像セグメンテーションモデルは、ノイズ、ぼかし、モーションアーティファクト、モダリティ固有の歪みなどの現実的な画像劣化の下で劣化することが多い。 既存のアプローチは医療領域の適応や腐敗に対処するが、どちらも共同ではない。 画像エンコーダをMedSAMから初期化し,マスクデコーダを共有ViT-BアーキテクチャでロバストSAMから初期化する。
  論文  参考訳（メタデータ） (2026-04-10T18:45:20Z)
• SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation [7.174788000625294]
  非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)は、様々な臨床環境に医療セグメンテーションモデルを配置するために不可欠である。 SHAPE(Structure-Aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation)は、グローバルな解剖学的妥当性に対する適応を再構築するフレームワークである。
  論文  参考訳（メタデータ） (2026-03-23T12:25:56Z)
• StructSAM: Structure- and Spectrum-Preserving Token Merging for Segment Anything Models [57.674757786328236]
  StructSAMは、Segment Anything Model(SAM)に適した解像度保存型マージアンマージフレームワークである また,StructSAMはエンコーダFLOPsを25～30%削減し,mIoU/Diceに少量の低下を認めた。 また、スペクトルグラフ粗大化ビューでは、スコア誘導マージにより、ランダムまたはウィンドウ制限ベースラインと比較して、ラプラシアスペクトル歪みが有界となることを示す。
  論文  参考訳（メタデータ） (2026-03-07T18:30:58Z)
• Structure From Tracking: Distilling Structure-Preserving Motion for Video Generation [76.04880323498598]
  自己回帰動画追跡モデル(SAM2)から双方向ビデオ拡散モデル(CogVideoX)へ構造保存動作先行情報を抽出するアルゴリズムを提案する。 VBenchと人間の研究ではSAM2VideoXが一貫した利益をもたらすことが示されている。
  論文  参考訳（メタデータ） (2025-12-12T18:56:35Z)
• Not Quite Anything: Overcoming SAMs Limitations for 3D Medical Imaging [0.0]
  SAMやSAM-2のような基礎的なセグメンテーションモデルは、自然画像ではうまく機能するが、脳MRIでは困難である。 本稿では,基礎モデルの出力を付加的な入力チャネルとして扱う合成代替手法を提案する。 従来MRIセグメンテーションで訓練されていた軽量な3次元U-Netを用いてSAM-2プロンプトを生成する。
  論文  参考訳（メタデータ） (2025-11-22T05:29:27Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• MedOmni-45°: A Safety-Performance Benchmark for Reasoning-Oriented LLMs in Medicine [69.08855631283829]
  我々は,操作的ヒント条件下での安全性能トレードオフの定量化を目的としたベンチマークであるMed Omni-45 Degreesを紹介する。 6つの専門分野にまたがる1,804の推論に焦点を当てた医療質問と3つのタスクタイプが含まれており、その中にはMedMCQAの500が含まれる。 結果は、モデルが対角線を超えることなく、一貫した安全性と性能のトレードオフを示す。
  論文  参考訳（メタデータ） (2025-08-22T08:38:16Z)
• Calibrated and Robust Foundation Models for Vision-Language and Medical Image Tasks Under Distribution Shift [2.292525568003776]
  CLIPやSAMといった基礎モデルには、低ショット転送学習による高度なコンピュータビジョンと医療画像があり、限られたデータでCADDを支援する。 両課題に対処するためのFIPとCMPの融合である textbfStaRFM を提案する。 パッチワイド正規化により3Dに拡張されたFIPを適用し、埋め込みシフトを減らすとともに、ボクセルレベルの予測のために修正されたCMPをセグメンテーションの不確実性に適用する。
  論文  参考訳（メタデータ） (2025-07-12T09:39:07Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)

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。