論文の概要: MedSaab-US: A Backpropagation-Free Multi-Scale Wavelet-Saab Framework for Thyroid Nodule Segmentation in Ultrasound Images
- arxiv url: http://arxiv.org/abs/2607.02209v1
- Date: Thu, 02 Jul 2026 14:18:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.867635
- Title: MedSaab-US: A Backpropagation-Free Multi-Scale Wavelet-Saab Framework for Thyroid Nodule Segmentation in Ultrasound Images
- Title（参考訳）: MedSaab-US:超音波画像における甲状腺結節分割のためのバックプロパゲーションフリーマルチスケールウェーブレット・サーブフレームワーク
- Authors: Mohammad Amanour Rahman,
- Abstract要約: MedSaab-USは、グリーンラーニングパラダイムに基づくバックプロパゲーションフリーセグメンテーションフレームワークである。
Label-Assisted Greedy (LAG) の特徴選択は、XGBoostに供給される最も差別的な特徴を保ち、ピクセルワイドな予測を行う。
TN3Kデータセット(2,879のトレーニングと614のテスト画像)に基づいて、MedSaab-USは平均Dice係数0.4784 +/-0.2190、精度0.5768、リコール0.5604を達成し、500Kパラメータ以下のモデルフットプリントとCPUのみの推論を約0.3秒で達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning (DL) methods dominate thyroid nodule segmentation in ultrasound (US) images, achieving high Dice scores but at the cost of millions of parameters, GPU-dependent training via backpropagation, and limited mathematical tractability. These limitations impede deployment in resource-constrained environments. In this paper, we propose MedSaab-US, a backpropagation-free segmentation framework grounded in the Green Learning paradigm. MedSaab-US extracts multi-scale spatial-frequency features by combining multi-level Discrete Wavelet Transform (DWT) with multi-scale channel-wise Saab (Subspace Approximation with Adjusted Bias) transforms at patch sizes of 5 x 5, 11 x 11, and 21 x 21 pixels. Label-Assisted Greedy (LAG) feature selection retains the most discriminative features, which are fed to an XGBoost classifier for pixel-wise prediction. The Saab transform parameters are determined analytically from data statistics, while XGBoost employs iterative greedy tree construction without requiring backpropagation. Evaluated on the TN3K dataset (2,879 training and 614 test images), MedSaab-US achieves a mean Dice coefficient of 0.4784 +/- 0.2190, precision of 0.5768, and recall of 0.5604, with a model footprint under 500K parameters and CPU-only inference in approximately 0.3 seconds per image. We present this result as an exploratory non-DL baseline for thyroid ultrasound segmentation and analyze the specific challenges posed by isoechoic nodules. An ablation study further quantifies the contribution of each pipeline component, including separate evaluations of LAG feature selection and training-set size.
- Abstract（参考訳）: 深層学習(DL)法は超音波(US)画像における甲状腺結節セグメンテーションを支配し、高いDiceスコアを達成しているが、数百万のパラメーターのコスト、バックプロパゲーションによるGPU依存トレーニング、数学的トラクタビリティに制限がある。
これらの制限は、リソース制約のある環境へのデプロイを妨げる。
本稿では,グリーンラーニングパラダイムに基づくバックプロパゲーションフリーセグメンテーションフレームワークであるMedSaab-USを提案する。
MedSaab-USは、マルチレベル離散ウェーブレット変換(DWT)とマルチスケールチャネルワイドサーブ変換(Subspace Approximation with Adjusted Bias)を5 x 5, 11 x 11, 21 x 21ピクセルのパッチサイズで組み合わせて、マルチスケール空間周波数特徴を抽出する。
Label-Assisted Greedy (LAG) の特徴選択は、XGBoost分類器に供給される最も差別的な特徴を保ち、ピクセルワイズ予測を行う。
サーブ変換パラメータはデータ統計から解析的に決定されるのに対し、XGBoostはバックプロパゲーションを必要とせず反復的なグリード木構造を用いる。
TN3Kデータセット(2,879のトレーニングと614のテスト画像)に基づいて評価され、MedSaab-US は平均Dice係数 0.4784 +/- 0.2190、精度 0.5768、リコール 0.5604 を達成する。
本研究は, 甲状腺超音波検査における非DLベースラインの探索的検討であり, 異所性結節による特定の課題について検討した。
Ablation studyは、各パイプラインコンポーネントの貢献度をさらに定量化し、RAG特徴選択とトレーニングセットサイズを別々に評価する。
関連論文リスト
- Enabling Real-Time Point-of-Care Ultrasound Segmentation: A GPU-Free Deployment in Resource-Limited Settings [1.3059755992268272]
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。
論文 参考訳（メタデータ） (2026-06-13T07:49:43Z) - Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。
PathCTMは診断推論を動的逐次情報追跡として定式化する。
必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
論文 参考訳（メタデータ） (2026-05-19T07:46:44Z) - Performance of a Deep Learning-Based Segmentation Model for Pancreatic Tumors on Public Endoscopic Ultrasound Datasets [2.925528117330222]
膵癌は最も攻撃的ながんの1つであり、生存率も低い。
本研究では, 膵腫瘍に対するVision Transformerを用いたディープラーニングセグメンテーションモデルについて検討した。
論文 参考訳（メタデータ） (2026-01-09T16:48:50Z) - DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。
マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。
本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:31:21Z) - UltraUNet: Real-Time Ultrasound Tongue Segmentation for Diverse Linguistic and Imaging Conditions [6.292752302827303]
UltraUNetは、リアルタイム舌輪郭分割に最適化された軽量エンコーダデコーダアーキテクチャである。
毎秒250フレームを実現し、デノナイジングやブラーシミュレーションなどの超音波特有の拡張を統合している。
論文 参考訳（メタデータ） (2025-09-27T10:11:33Z) - Advanced Deep Learning Techniques for Automated Segmentation of Type B Aortic Dissections [4.545298205355719]
B型大動脈解離切除のための深層学習パイプラインを4本開発した。
Dice Coefficients for TL, 0.88 $pm$ 0.18, 0.47 $pm$ 0.25であった。
論文 参考訳（メタデータ） (2025-06-27T13:38:33Z) - A Contrast-Agnostic Method for Ultra-High Resolution Claustrum Segmentation [1.9599814057105118]
超高分解能(0.35mm等方性)におけるクラスラム分割のコントラストおよび分解能に依存しない手法を提案する。
この手法はSynthSegセグメンテーションフレームワークに基づいており、合成トレーニング強度画像を利用して優れた一般化を実現する。
我々は18個の超高分解能MRIスキャンから得られたクラスラム手動ラベルを用いて,自動クラスラムセグメンテーションのためのディープラーニングネットワークを訓練した。
論文 参考訳（メタデータ） (2024-11-23T00:03:40Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - 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) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z)
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。