論文の概要: LightVesselNet: An Ultra-Lightweight Sub-100K Parameter Network for Retinal Blood Vessel Segmentation
- arxiv url: http://arxiv.org/abs/2606.05354v1
- Date: Wed, 03 Jun 2026 18:56:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.347785
- Title: LightVesselNet: An Ultra-Lightweight Sub-100K Parameter Network for Retinal Blood Vessel Segmentation
- Title（参考訳）: LightVesselNet:網膜血管セグメンテーションのための超軽量サブ100Kパラメータネットワーク
- Authors: Shadman Sobhan, Farhana Jalil,
- Abstract要約: LightVesselNetは、リソース制約のある環境で網膜血管のセグメンテーションのために設計された効率的なニューラルネットワークである。
LightVesselNetは、State-of-the-Artモデルと比較して効率(パフォーマンス対Flops)が改善されている。
低リソースな臨床環境とモバイルスクリーニングツールへのデプロイの有力候補である。
- 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: Retinal blood vessel segmentation plays a vital role in the early detection of diabetic retinopathy and glaucoma. While recent deep learning models have achieved great segmentation accuracy, they typically require heavy computational resources, making real-world deployment on edge devices difficult. In this paper, we propose LightVesselNet, an efficient neural network designed for retinal vessel segmentation in a resource-constrained environment. Despite containing only 75K parameters, LightVesselNet performs competitively with much larger models. The network employs a compact encoder decoder architecture enhanced with channel and spatial attention mechanisms, a multi-scale feature aggregation module at the bottleneck, and a subpixel upsampling strategy in the decoder. A dedicated edge residual connection preserves fine vessel detail throughout decoding. Extensive experiments on five publicly available datasets: DRIVE, STARE, CHASEDB1, FIVES, and HRF, yield sensitivity scores of 0.8189, 0.8499, 0.8640, 0.8634, 0.8096, and Dice coefficients of 0.8070, 0.8072, 0.8181, 0.8649, and 0.7686, respectively. LightVesselNet shows improved efficiency (Performance vs Parameter or GFlops) compared to State-of-the-Art models. Cross-dataset evaluation confirms the model's generalisation capability. Overall, LightVesselNet is a strong candidate for deployment in low-resource clinical settings and mobile screening tools.
- Abstract（参考訳）: 網膜血管セグメンテーションは糖尿病網膜症や緑内障の早期発見において重要な役割を担っている。
最近のディープラーニングモデルはセグメンテーションの精度が高いが、通常は重い計算資源を必要とするため、エッジデバイスへの実際のデプロイは困難である。
本稿では,資源制約環境下での網膜血管セグメンテーションのための効率的なニューラルネットワークであるLightVesselNetを提案する。
75Kパラメータしか含まないが、LightVesselNetはより大きなモデルと競合する。
ネットワークは、チャネルと空間の注意機構を拡張したコンパクトエンコーダデコーダアーキテクチャ、ボトルネック時のマルチスケール機能集約モジュール、デコーダのサブピクセルアップサンプリング戦略を採用している。
専用のエッジ残差接続はデコードを通して細かな容器の詳細を保存する。
DRIVE、STARE、CHASEDB1、FIVES、HRFの5つの公開データセットに対する大規模な実験では、それぞれ0.8189、0.8499、0.8640、0.8634、0.8096、Dice係数0.8070、0.8072、0.8181、0.8649、0.7686の感度スコアが得られた。
LightVesselNetは、State-of-the-Artモデルと比較して効率(パフォーマンス対パラメータまたはGFlops)が改善されている。
クロスデータセット評価は、モデルの一般化能力を確認する。
全体として、LightVesselNetは、低リソースの臨床設定とモバイルスクリーニングツールへのデプロイの有力候補である。
関連論文リスト
- LFA-Net: A Lightweight Network with LiteFusion Attention for Retinal Vessel Segmentation [1.8242874713398711]
新たに設計された注目モジュールLiteFusion-Attentionを組み込んだ新しい血管分割ネットワークLFA-Netを提案する。
LFA-Netは、0.11百万のパラメータ、0.42MBのメモリサイズ、および4.46GFLOPのハイパフォーマンスを提供する。
論文 参考訳（メタデータ） (2025-09-26T01:07:05Z) - LHU-Net: a Lean Hybrid U-Net for Cost-efficient, High-performance Volumetric Segmentation [4.168081528698768]
ボリューム医療画像分割のためのリーンハイブリッドU-NetであるLHU-Netを提案する。
LHU-Netは、チャンネルの特徴を洗練する前に空間的特徴抽出を優先し、効率と精度の両方を最適化する。
Synapse、Left Atrial、BraTS-Decathlon、Lung-Decathlonの4つのベンチマークデータセットによる評価
論文 参考訳（メタデータ） (2024-04-07T22:58:18Z) - An Accurate and Efficient Neural Network for OCTA Vessel Segmentation
and a New Dataset [2.8743451550676866]
OCTA画像における網膜血管セグメンテーションのための高精度かつ効率的なニューラルネットワークを提案する。
提案するネットワークは,パラメータが少なく,推論速度も速く,他のSOTA手法に匹敵する精度を実現している。
918個のOCTA画像とそれに対応する血管アノテーションを含む新しいデータセットを作成する。
論文 参考訳（メタデータ） (2023-09-18T04:47:12Z) - LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based
CNN for Retinal Blood Vessel Segmentation [0.0]
ブラディングアイの病気は、しばしば変化した網膜形態と相関し、眼底画像の網膜構造をセグメント化することによって臨床的に識別できる。
深層学習は、医用画像のセグメンテーションにおいて有望であるが、反復的な畳み込みとプール操作への依存は、エッジ情報の表現を妨げる可能性がある。
LMBiS-Net と呼ばれる軽量な画素レベルのCNNを網膜血管のセグメンテーションのために提案する。
論文 参考訳（メタデータ） (2023-09-10T09:03:53Z) - MogaNet: Multi-order Gated Aggregation Network [61.842116053929736]
我々は,識別的視覚的表現学習のために,MogaNetと呼ばれる現代ConvNetの新たなファミリーを提案する。
MogaNetは概念的に単純だが効果的な畳み込みをカプセル化し、集約をコンパクトモジュールに集約する。
MogaNetは、ImageNetの最先端のViTやConvNetと比較して、優れたスケーラビリティ、パラメータの大幅な効率、競争性能を示している。
論文 参考訳（メタデータ） (2022-11-07T04:31:17Z) - EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for
Mobile Vision Applications [68.35683849098105]
入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。
1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。
パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
論文 参考訳（メタデータ） (2022-06-21T17:59:56Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z) - Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。
我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-03-12T07:00:46Z)
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。