Fugu-MT 論文翻訳(概要): Displacement Preserving Relational Distillation for Robust Medical Segmentation

論文の概要: Displacement Preserving Relational Distillation for Robust Medical Segmentation

arxiv url: http://arxiv.org/abs/2607.04599v1
Date: Mon, 06 Jul 2026 02:01:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:30.004317
Title: Displacement Preserving Relational Distillation for Robust Medical Segmentation
Title（参考訳）: ロバスト・メディカルセグメンテーションにおけるリレーショナル蒸留のための置換保存
Abstract要約: 3次元医用セグメンテーションのための変位保存モデルの開発本稿では,ベクトルベースアライメントを用いて潜在軌道を蒸留するDPRD(Displacement-Preserving Distillation)を提案する。 DPRD は ISLES 2022 と AMOS 2022 ベンチマークのベースラインに優れていた。
参考スコア（独自算出の注目度）: 9.166333726355562
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate 3D medical segmentation is limited by anatomical variability and high computational costs. While knowledge distillation (KD) offers a route for model compression, conventional methods often fail to preserve complex structures and are overwhelmed by background noise. We propose Displacement-Preserving Relational Distillation (DPRD), which distills latent anatomical trajectories via vector based alignment to preserve the orientation and relative scale of the teacher's manifold, and prevents signal dilution by anchoring distillation in task-relevant structures. Integrated into nnU-Net, DPRD outperforms established baselines on ISLES 2022 and AMOS 2022 benchmarks. Notably, on the AMOS dataset, DPRD achieves a Dice score of 85.46%, edging out the high-capacity MedNeXt teacher while significantly reducing boundary errors. Despite utilizing only ~5% of the teacher's parameters and ~3% of its FLOPs, our approach maintains high structural consistency. This provides a robust, efficient solution for deploying high performance segmenters in resource-constrained clinical environments. Code: https://github.com/ClinicaAlpha/DPRD-3D-MedSeg
Abstract（参考訳）: 正確な3D医療セグメンテーションは解剖学的多様性と高い計算コストによって制限される。知識蒸留(KD)はモデル圧縮のための経路を提供するが、従来の方法では複雑な構造を保存できず、背景雑音に圧倒されることが多い。本稿では, 教師の多様体の配向と相対スケールを維持するために, ベクトルベースアライメントを用いて潜在解剖学的軌跡を蒸留し, タスク関連構造の蒸留を固定することにより, 信号の希釈を防止するDPRDを提案する。 nnU-Netに統合され、DPRD は ISLES 2022 と AMOS 2022 ベンチマークのベースラインを確立した。特に、AMOSデータセットでは、DPRDは85.46%のDiceスコアを達成し、高容量のMedNeXtの教師を引き抜き、境界誤差を著しく減らした。教師のパラメータの約5%とFLOPの約3%しか利用していないにもかかわらず、我々の手法は高い構造的整合性を維持している。これにより、リソース制約のある臨床環境に高性能セグメンタをデプロイする、堅牢で効率的なソリューションが提供される。コード:https://github.com/ClinicaAlpha/DPRD-3D-MedSeg

関連論文リスト

A Neighborhood Attention Transformer Network for Enhanced 3D Segmentation of the Left Anterior Descending Artery [5.486895610501164]
左前下行動脈(LAD)の3次元自由呼吸,非造影CTの正確な分画は胸部放射線療法における心筋線量減少に必須である。本研究では,3次元トランスフォーマベースセグメンテーションモデルであるNA-UNETRを提案する。 Dice-Focal と Hausdorff の複合損失は、相補的不確実性によって動的にバランスが取れ、重なり合いと境界の精度が向上する。
論文参考訳（メタデータ） (2026-08-12T17:13:59Z)
Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
論文参考訳（メタデータ） (2026-08-01T08:13:20Z)
D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文参考訳（メタデータ） (2026-05-21T09:55:42Z)
SpineContextResUNet: A Computationally Efficient Residual UNet for Spine CT Segmentation [0.21485350418225244]
SpineContextResUNetは高速な脊髄局在化のための計算効率の良い3次元残留U-Netである。我々のアーキテクチャは、長距離解剖学的依存関係をキャプチャするために並列な多次元畳み込みを利用する軽量なContext Blockを統合している。当社のモデルは、堅牢な推論を実行し、ポイント・オブ・ケアの診断とエッジプラットフォームへのデプロイに有効なソリューションとなる。
論文参考訳（メタデータ） (2026-05-20T06:00:23Z)
Deep Reprogramming Distillation for Medical Foundation Models [74.76894329393512]
本稿では,一般適応問題に対処するために,Deep Re programming Distillation (DRD) と呼ばれる新しいフレームワークを提案する。具体的には、DRDは、一方が事前学習と下流シナリオ間のドメインとタスクの相違を克服する、新しい再プログラミングモジュールを導入している。異なる訓練条件下でのばらつきを軽減するため, 堅牢な知識伝達を促進するために, 中心核アライメント (CKA) 蒸留法を設計する。
論文参考訳（メタデータ） (2026-05-06T03:22:39Z)
Adapting Foundation Models for Annotation-Efficient Adnexal Mass Segmentation in Cine Images [4.42778347374376]
超音波による近接性質量評価は、主観的解釈と重要なサーバ間変動によって妨げられることが多い、困難な臨床課題である。本稿では,事前訓練されたDINOv3基盤視変換器バックボーンのロバストなセマンティクスを活かしたラベル効率のセグメンテーションフレームワークを提案する。提案手法は,U-Net,U-Net++,DeepLabV3,MAnetなどの完全教師付きベースラインと比較して,最先端の性能を実現する。
論文参考訳（メタデータ） (2026-04-09T09:48:50Z)
Breaking the Data Barrier: Robust Few-Shot 3D Vessel Segmentation using Foundation Models [0.0]
最先端の船体セグメンテーション手法は、通常、大規模な注釈付きデータセットを必要とし、ドメインシフト時に深刻なパフォーマンス劣化に悩まされる。本稿では,ボリューム容器分割に適応した事前学習型ビジョンファウンデーションモデル(DINOv3)を活用する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-27T08:24:44Z)
Interpretable and backpropagation-free Green Learning for efficient multi-task echocardiographic segmentation and classification [23.395777551262494]
グリーンラーニングフレームワークは、左室(LV)セグメンテーションとLVEFの同時分類を実行する。 EchoNet-Dynamicデータセットでは、MTGLモデルは最先端の分類とセグメンテーション性能を達成する。この研究は、GLパラダイムが複雑な医用画像解析のための高精度、効率的、解釈可能なソリューションを提供できることを示した。
論文参考訳（メタデータ） (2026-01-27T16:04:42Z)
Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
論文参考訳（メタデータ） (2025-11-11T04:16:12Z)
Adversarial Distribution Matching for Diffusion Distillation Towards Efficient Image and Video Synthesis [65.77083310980896]
本稿では, 実測値と偽測値の間に潜時予測を整列させる適応分布マッチング (ADM) を提案する。提案手法は,DMD2と比較してSDXLの1ステップ性能に優れ,GPU時間が少ない。 SD3-Medium, SD3.5-Large, CogVideoX に多段階の ADM 蒸留を適用した実験では, 画像と映像の効率的な合成に向けた新しいベンチマークが設定された。
論文参考訳（メタデータ） (2025-07-24T16:45:05Z)
Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
論文参考訳（メタデータ） (2025-05-19T17:21:03Z)
StereoDistill: Pick the Cream from LiDAR for Distilling Stereo-based 3D Object Detection [93.10989714186788]
ステレオ法とLiDAR法とのギャップを狭めるため,StereoDistillというクロスモーダル蒸留法を提案する。 StereoDistillの主な設計は、回帰のためのX-component Guided Distillation(XGD)と分類のためのCLD(Cross-anchor Logit Distillation)である。
論文参考訳（メタデータ） (2023-01-04T13:38:48Z)

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。