Fugu-MT 論文翻訳(概要): Towards Accurate and Fast Clinical Body Composition: A Resource-Efficient Hierarchical Segmentation Framework for Multi-Source CT

論文の概要: Towards Accurate and Fast Clinical Body Composition: A Resource-Efficient Hierarchical Segmentation Framework for Multi-Source CT

arxiv url: http://arxiv.org/abs/2607.07177v1
Date: Wed, 08 Jul 2026 09:11:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-09 22:50:30.328386
Title: Towards Accurate and Fast Clinical Body Composition: A Resource-Efficient Hierarchical Segmentation Framework for Multi-Source CT
Title（参考訳）: 高精度かつ高速な臨床体組成を目指して:多ソースCTのための資源効率の高い階層的セグメンテーションフレームワーク
Abstract要約: 10の組織構造を分断する粗大な階層構造を提案する。効率性は動的スペーシングと異方性パッチングによって最適化される。 12コアのCPUワークステーションでは、パイプラインのボリュームは44.5秒、ピークメモリは4.73GBであった。
参考スコア（独自算出の注目度）: 7.334410239179273
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Background: Automated 3D segmentation of muscles and adipose tissue from CT is vital for body composition analysis, but multi-source data heterogeneity and high CPU memory demands hinder clinical deployment. Methods: We propose a coarse-to-fine hierarchical framework to segment ten tissue structures. Efficiency is optimized using Dynamic Spacing and Anisotropic Patching, a Group Inference mechanism for low-memory sliding-window processing, and Topology-Aware Asymmetric Resampling for fast post-processing. Results: The framework was trained on 1,558 CT volumes from seven public and two private datasets, and evaluated on an independent test cohort (N=105), per-structure Dice coefficients ranged from 0.924 to 0.982. Eight major structures met the +-10% relative error clinical acceptance limit. On a 12-core CPU workstation, the GPU-free pipeline averaged 44.5 seconds per volume with 4.73 GB peak memory. Conclusion: This framework balances accuracy and efficiency, enabling robust, large-scale body composition analysis on standard CPU workstations.
Abstract（参考訳）: 背景:CTからの筋肉と脂肪組織の自動3次元分画は体組成解析に不可欠であるが,多ソースデータの不均一性と高CPUメモリは臨床展開を妨げている。方法: 10個の組織構造を分断する粗大な階層的枠組みを提案する。低メモリスライディングウィンドウ処理のためのグループ推論機構であるDynamic Spacing と Anisotropic Patching と高速後処理のための Topology-Aware Asymmetric Resampling を用いて効率を最適化する。結果: このフレームワークは、7つの公開データセットと2つのプライベートデータセットから1,558個のCTボリュームをトレーニングし, 独立したテストコホート(N=105), 組織ごとのDice係数は0.924から0.982の範囲で評価した。 8つの主要な構造は、+-10%の相対的エラー臨床受け入れ限界を満たした。 12コアのCPUワークステーションでは、GPUなしパイプラインは44.5秒毎のボリュームと4.73GBのピークメモリを備えていた。結論: このフレームワークは精度と効率のバランスをとり、標準CPUワークステーション上で堅牢で大規模なボディコンポジション分析を可能にする。

関連論文リスト

Comprehensive Benchmarking of Deep Learning Architectures for Lung Cancer Histopathology [1.1526546449734862]
肺がんは、世界中でがん関連死亡の原因となっている。深層学習は、計算病理学にかなりの可能性を示している。本研究では,多段階組織分類のための2段階の深層学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-16T20:12:13Z)
SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD [91.71050339479261]
本稿では,Ascend NPU SuperPODにおけるエンドツーエンド最適化手法を提案する。モデルレベルの並列性、計算通信オーケストレーション、低レベルのカーネル実行にまたがる階層的最適化フレームワークを開発した。その結果、34.22%のモデルFLOP(Model FLOP)利用が達成され、オープンソースのベースラインレシピよりも2.93倍改善された。
論文参考訳（メタデータ） (2026-07-22T13:49:17Z)
Parameter-Efficient Adaptation of SAM 3 for Automated ITV Generation from 4DCT Images [0.0]
4次元CT(4DCT)は胸部解剖の完全な呼吸周期を捉えている。現在の内部ターゲットボリューム構成プロセスは、各フェーズを分離し、時間的コヒーレンスを破棄し、フェーズ固有のアーティファクトに脆弱なままにしておく。低ランク適応(LoRA)を介してSegment Anything Model 3(SAM3)にパラメータ効率の良い微調整を適用するフレームワークを提案する。 7つの注釈付きボリュームで、このフレームワークは全データの精度の95%以上を保持し、パイプライン全体は1つのコンシューマグレードのGPUでトレーニングできる。
論文参考訳（メタデータ） (2026-06-14T05:12:57Z)
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)
SCRWKV: Ultra-Compact Structure-Calibrated Vision-RWKV for Topological Crack Segmentation [36.61448234263959]
SCRWKV(Ultra-Compact Structure-Calibrated Vision RWKV)を提案する。このネットワークは、線形複雑性を維持しながら、新しいStructure-Fieldバックボーンを介して高精度なモデリングを実現する。 SCRWKVは1.22Mのパラメータしか持たないが,SOTA法では著しく優れていた。
論文参考訳（メタデータ） (2026-05-14T15:01:22Z)
Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文参考訳（メタデータ） (2026-04-30T14:59:50Z)
CT Scans As Video: Efficient Intracranial Hemorrhage Detection Using Multi-Object Tracking [0.9332987715848716]
本稿では,2次元検出の効率と3次元コンテキストの必要性を両立させる軽量コンピュータビジョンフレームワークを開発する。計算コストのごく一部で3Dコンテキスト推論を近似することにより,リアルタイム患者優先化のためのスケーラブルなソリューションを提供する。
論文参考訳（メタデータ） (2026-01-05T19:49:51Z)
VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
論文参考訳（メタデータ） (2025-11-02T15:47:05Z)
Time-Varying Coronary Artery Deformation: A Dynamic Skinning Framework for Surgical Training [33.92599418560439]
本研究は, 骨格スキンウェイトを用いた冠状動脈の動的モデリングフレームワークを提案する。外科シミュレーションのリアルタイム性能を維持しつつ, 血管の変形を正確に制御することを目的としている。
論文参考訳（メタデータ） (2025-03-04T02:51:37Z)
UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文参考訳（メタデータ） (2022-12-08T18:59:57Z)
UNesT: Local Spatial Representation Learning with Hierarchical Transformer for Efficient Medical Segmentation [29.287521185541298]
我々は、UNesTが常に最先端の性能を達成し、その一般化性とデータ効率を評価することを示す。我々は、UNesTが常に最先端の性能を達成し、その一般化性とデータ効率を評価することを示す。
論文参考訳（メタデータ） (2022-09-28T19:14:38Z)

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。