論文の概要: Enabling Real-Time Point-of-Care Ultrasound Segmentation: A GPU-Free Deployment in Resource-Limited Settings
- arxiv url: http://arxiv.org/abs/2606.15176v1
- Date: Sat, 13 Jun 2026 07:49:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.040168
- Title: Enabling Real-Time Point-of-Care Ultrasound Segmentation: A GPU-Free Deployment in Resource-Limited Settings
- Title（参考訳）: 実時間ポイントオブケア超音波セグメンテーションの実現: リソース制限設定におけるGPUフリー展開
- Authors: Weihao Gao,
- Abstract要約: UltraSegは,大腸内視鏡的ポリープ分割のために開発された超軽量アーキテクチャである。
この作業は、超音波アクセシビリティに合わせたAIコストをもたらし、リソース制限された設定で高度な診断を可能にする。
- 参考スコア（独自算出の注目度）: 1.3059755992268272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultrasound imaging is the most widely adopted medical modality globally due to its low cost and portability, yet artificial intelligence (AI) deployment remains constrained by reliance on GPU-accelerated models, creating a structural paradox where the cost of "intelligence" exceeds that of the imaging device itself. Here, we present the systematic adaptation and extensive evaluation of UltraSeg, an ultra-lightweight architecture originally developed for colonoscopic polyp segmentation, now engineered for point-of-care ultrasound (POCUS) across ten public datasets spanning six anatomical sites (breast, thyroid, kidney, carotid, fetal, and small-animal tumor). We systematically validate both variants in ultrasound domains: UltraSeg-130K (0.13M parameters) achieves 89.7 FPS on single-core CPUs and 34.8 FPS on a refurbished mobile device, while UltraSeg-500K (0.5M parameters) delivers 44.6 FPS on CPU and 16.1 FPS on mobile device. UltraSeg-500K matches or exceeds the Dice performance of the 31M-parameter UNet and approaches 105M-parameter TransUNet in average performance, with superior zero-shot cross-dataset generalization on external validation sets (UDIAT, DDTI). By enabling clinical-grade segmentation without GPU dependency, this work brings AI costs in line with ultrasound accessibility, making advanced diagnostics available in resource-limited settings.
- Abstract（参考訳）: 超音波イメージングは、低コストと移植性のために世界中で最も広く採用されている医療モダリティであるが、人工知能(AI)の展開は、GPUアクセラレーションモデルに依存しているため、イメージング装置自体よりも「知能」のコストがかかる構造パラドックスを形成している。
大腸内視鏡的ポリープ分画のために開発された超軽量アーキテクチャであるUltraSegの体系的適応と広範囲な評価を,現在,6つの解剖学的部位(乳房,甲状腺,腎臓,頸動脈,胎児,小動物腫瘍)にまたがる10の公的データセットにわたって,POCUS(point-of-care Ultrap segmentation)のために設計されている。
UltraSeg-130K(0.13Mパラメータ)はシングルコアCPUで89.7FPS、モバイル機器で34.8FPS、UltraSeg-500K(0.5Mパラメータ)は44.6FPS、モバイルデバイスで16.1FPSである。
UltraSeg-500Kは、31MパラメータUNetのDice性能と一致し、平均性能で105MパラメータTransUNetに近づき、外部検証セット(UDIAT, DDTI)上では優れたゼロショットクロスデータセットの一般化を行う。
GPUに依存しない臨床グレードのセグメンテーションを可能にすることで、この研究は、超音波アクセシビリティに合わせたAIコストをもたらし、リソース制限された設定で高度な診断を可能にする。
関連論文リスト
- Attention-ResUNet for Automated Fetal Head Segmentation [22.643964229988267]
Attention-ResUNetは、残留学習とマルチスケールアテンションメカニズムを組み合わせた新しいアーキテクチャである。
提案手法は4つのデコーダレベルにアテンションゲートを統合し,背景雑音を抑えながら解剖学的に関連のある領域に選択的に焦点を合わせる。
ResUNet (99.26%)、Attention U-Net (98.79%)、Swin U-Net (98.60%)、Standard U-Net (98.58%)、U-Net++ (97.46%)の5つのベースラインアーキテクチャを著しく上回っている。
論文 参考訳（メタデータ） (2026-04-20T12:11:21Z) - Enabling Real-Time Colonoscopic Polyp Segmentation on Commodity CPUs via Ultra-Lightweight Architecture [11.978087816729534]
我々は超圧縮方式(0.3Mパラメータ)で機能するUltraSegファミリーを提示する。
モデルは、精度を犠牲にすることなく、単一のCPUコア上で90FPSを達成する。
この研究は、大腸内視鏡のためのCPUネイティブなソリューションを提供するだけでなく、より広範に侵襲的な外科的視覚応用のための再現可能な青写真も提供する。
論文 参考訳（メタデータ） (2026-02-04T10:04:30Z) - UniUltra: Interactive Parameter-Efficient SAM2 for Universal Ultrasound Segmentation [47.18256805790662]
Segment Anything Model 2 (SAM2) は、自然画像に顕著な普遍的なセグメンテーション機能を示す。
この制限は、パラメータ効率を維持しながらSAM2を超音波画像に効率的に適応する方法と、リソース制約された臨床環境において適応モデルを効果的に展開する方法の2つの重要な課題を提起する。
本報告では,UniUltraを超音波の普遍的セグメンテーションのために提案する。特に,パラメータ効率の良い微調整を実現しつつ,多様な超音波画像の微粒化知覚を高める新しいコンテキストエッジハイブリッドアダプタ(CH-Adapter)を提案する。
論文 参考訳（メタデータ） (2025-11-19T17:42:49Z) - USF-MAE: Ultrasound Self-Supervised Foundation Model with Masked Autoencoding [0.205246094017924]
マスク付き自動符号化(USF-MAE)を用いた超音波自己監督基礎モデルについて紹介する。
USF-MAEは超音波データのみに事前訓練された最初の大規模自己監督型MAEフレームワークである。
このモデルは、46のオープンソースデータセットから算出された370,000の2Dおよび3D超音波画像で事前訓練された。
論文 参考訳（メタデータ） (2025-10-27T04:16:43Z) - A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
一般臨床用超音波基礎モデルであるEchoCareについて紹介する。
我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。
最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
論文 参考訳（メタデータ） (2025-09-15T10:05:31Z) - UltraGauss: Ultrafast Gaussian Reconstruction of 3D Ultrasound Volumes [15.02330703285484]
2D-to-3D再構成は、しばしば計算コストが高く、メモリ集約的であり、超音波物理と相容れない。
UltraGauss - 超音波波伝搬にビュー合成技術を拡張した最初の超音波特異的ガウス平滑化フレームワーク。
実際の臨床超音波データでは、UltraGaussは最先端の再建を5分で達成し、1枚の画像で0.99 SSIMに達する。
論文 参考訳（メタデータ） (2025-05-08T20:53:47Z) - Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。
UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。
疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文 参考訳（メタデータ） (2024-11-25T13:40:11Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z)
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。