論文の概要: Detail Consistent Stage-Wise Distillation for Efficient 3D MRI Segmentation
- arxiv url: http://arxiv.org/abs/2605.26382v1
- Date: Mon, 25 May 2026 23:01:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.501574
- Title: Detail Consistent Stage-Wise Distillation for Efficient 3D MRI Segmentation
- Title（参考訳）: 効率的な3次元MRI画像分割のための細部連続ステージワイズ蒸留法
- Abstract要約: 本研究は, スケールにまたがる構造的詳細を保存する, 段階的蒸留フレームワークであるDCDを提案する。
エンコーダの各段階で、DCDはウェーブレット領域の方向詳細成分を蒸留するが、粗い近似は比較的拘束されない。
BraTS 2024 と ISLES 2022 のベンチマーク実験により、3次元マルチモーダルデータを用いたMRIセグメント化における優れた性能が得られた。
- 参考スコア（独自算出の注目度）: 20.110149340182232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deploying high-performing 3D medical image segmenters (e.g., nnU-Net) is often limited by memory footprint and inference latency. Compression is therefore necessary, but compact 3D encoders tend to lose fine structural cues (small lesions and sharp boundaries) as downsampling repeats across multi-resolution stages. We propose Detail Consistent Distillation (DCD), a stage-wise distillation framework that preserves structural detail across scales by aligning teacher-student features in a wavelet-decomposed representation. At each encoder stage, DCD distills directional detail components in the wavelet domain while leaving the coarse approximation comparatively unconstrained, avoiding over-regularization of global semantics. DCD is used only during training and introduces no inference-time overhead. Experiments on the BraTS 2024 and ISLES 2022 benchmarks demonstrate that our approach achieves superior performance in MRI segmentation using 3D multi-modal data. Code and implementation details for DCD are publicly available at https://github.com/ClinicaAlpha/DCD-3D-MedSeg.
- Abstract（参考訳）: 高性能な3D医療画像セグメンタ(例えばnnU-Net)のデプロイは、メモリフットプリントと推論遅延によって制限されることが多い。
したがって圧縮が必要であるが、コンパクトな3Dエンコーダは、マルチレゾリューションステージにおけるダウンサンプリングが繰り返されるにつれて、微細な構造的手がかり(小さな病変と鋭い境界)を失う傾向にある。
ウェーブレット分解表現において教師-学生の特徴を整列させることにより, 規模にわたって構造的詳細を保存した, 段階的蒸留フレームワークDCDを提案する。
エンコーダの各段階で、DCDはウェーブレット領域の方向詳細成分を蒸留し、大域的意味論の過剰な正規化を回避しながら、粗い近似を比較的制約しないまま残す。
DCDはトレーニング時にのみ使用され、推論時のオーバーヘッドは発生しない。
BraTS 2024 と ISLES 2022 のベンチマーク実験により、3次元マルチモーダルデータを用いたMRIセグメント化における優れた性能が得られた。
DCDのコードと実装の詳細はhttps://github.com/ClinicaAlpha/DCD-3D-MedSegで公開されている。
関連論文リスト
- PC-Seg: Progressive Cross-View Consistency for 3D OCT Segmentation from Sparse 2D Annotations [6.985097529979716]
PC-Segは、スパース2Dアノテーションから高精度な3Dセグメンテーションモデルを学習する、クロスビュー一貫性フレームワークである。
トレーニングデータの約0.7%のラベルを用いて,PC-Segが完全教師付き学習に匹敵する精度を実現していることを示す。
論文 参考訳（メタデータ） (2026-07-20T09:12:04Z) - MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。
我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
論文 参考訳（メタデータ） (2026-03-12T07:37:00Z) - Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳（メタデータ） (2026-01-29T13:05:46Z) - S2AM3D: Scale-controllable Part Segmentation of 3D Point Cloud [53.23686565523385]
本稿では,S2AM3Dを提案する。
我々は、ネイティブな3Dコントラスト学習を通じて、多視点2D特徴を集約する点一貫性部分エンコーダを設計する。
次に、セグメント化粒度のリアルタイムな調整を可能にするために、スケール対応プロンプトデコーダを提案する。
論文 参考訳（メタデータ） (2025-11-30T17:32:54Z) - Binary-Gaussian: Compact and Progressive Representation for 3D Gaussian Segmentation [83.90109373769614]
3D Gaussian Splatting (3D-GS)は効率的な3D表現として登場し、セグメンテーションのようなセグメンテーションタスクのための有望な基盤となっている。
本稿では,各特徴を2進数対決定写像によって1つの整数に圧縮する,ガウス単位のカテゴリ表現のための粗大なバイナリ符号化方式を提案する。
さらに,個別のサブタスクに分割し,クラス間の衝突を減らし,きめ細かいセグメンテーション能力を向上させるプログレッシブトレーニング戦略を設計する。
論文 参考訳（メタデータ） (2025-11-30T15:51:30Z) - MSA-UNet3+: Multi-Scale Attention UNet3+ with New Supervised Prototypical Contrastive Loss for Coronary DSA Image Segmentation [8.850534640462081]
冠状DSA画像のセグメンテーションを高めるために,教師付きおよび原型的コントラスト学習を融合させるスーパービジョン型コントラスト損失を提案する。
MSA-UNet3+: Multi-Scale Attention-Enhanced UNet3+アーキテクチャで提案したSPCL損失を実装した。
プライベート冠DSAデータセットの実験では、MSA-UNet3+が最先端の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2025-04-07T15:35:30Z) - Intensity-Spatial Dual Masked Autoencoder for Multi-Scale Feature Learning in Chest CT Segmentation [4.916334618361524]
本稿では,ISD-MAE (Intensity-Spatial Dual Masked AutoEncoder) という改良手法を提案する。
このモデルは、二重ブランチ構造とコントラスト学習を利用して、組織の特徴と境界の詳細を学習する能力を強化する。
以上の結果より, ISD-MAEは2次元肺炎および縦隔腫瘍セグメンテーションにおいて他の方法よりも有意に優れていた。
論文 参考訳（メタデータ） (2024-11-20T10:58:47Z) - Few-Shot 3D Volumetric Segmentation with Multi-Surrogate Fusion [31.736235596070937]
軽量マルチサロゲート融合(MSF)を用いた新しい3DセグメンテーションフレームワークMSFSegを提案する。
MSFSegは、1つまたは数個の注釈付き2Dスライスまたは3Dシーケンスセグメントを備えた、目に見えない3Dオブジェクト/組織(トレーニング中)を自動的に分割することができる。
提案するMSFモジュールは, ラベル付きスライスと少数のラベル付きスライス/シーケンス間の包括的および多彩な相関関係を, 複数の指定されたサロゲートを介して抽出する。
論文 参考訳（メタデータ） (2024-08-26T17:15:37Z) - 3D Vascular Segmentation Supervised by 2D Annotation of Maximum
Intensity Projection [33.34240545722551]
血管構造のセグメンテーションは、医学的分析と臨床応用において重要な役割を担っている。
既存の弱監督法は, スパース血管構造を扱う際に, 最適下肢機能を示した。
ここでは,3次元体積の次元を2次元画像に変換するために,最大強度投影(MIP)を用いる。
MIPを介して2D-3Dの深い特徴を融合してセグメンテーション性能を向上させる弱教師付きネットワークを導入する。
論文 参考訳（メタデータ） (2024-02-19T13:24:46Z) - DatasetNeRF: Efficient 3D-aware Data Factory with Generative Radiance Fields [68.94868475824575]
本稿では,無限で高品質な3Dアノテーションを3Dポイントクラウドセグメンテーションとともに生成できる新しいアプローチを提案する。
我々は3次元生成モデルに先立って強力なセマンティクスを活用してセマンティクスデコーダを訓練する。
トレーニングが完了すると、デコーダは遅延空間を効率よく一般化し、無限のデータの生成を可能にする。
論文 参考訳（メタデータ） (2023-11-18T21:58:28Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳（メタデータ） (2023-03-16T17:52:45Z)
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。