Fugu-MT 論文翻訳(概要): MIS-HCC: Hierarchical Channel Clustering for Efficient Medical Image Segmentation

論文の概要: MIS-HCC: Hierarchical Channel Clustering for Efficient Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2607.17329v1
Date: Sun, 19 Jul 2026 16:39:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.42961
Title: MIS-HCC: Hierarchical Channel Clustering for Efficient Medical Image Segmentation
Title（参考訳）: MIS-HCC:効率的な医用画像分割のための階層的チャネルクラスタリング
Abstract要約: 医用画像セグメンテーションモデルは、現実世界の医療応用に対応するために、高精度かつ軽量な設計が必要である。モデル圧縮のための既存のプルーニング法は、主に複雑なディープニューラルネットワークの内部構造間の固有の接続と類似性を見落としている。医用画像分割モデル(MIS-HCC)のための階層的クラスタリング圧縮法を提案する。
参考スコア（独自算出の注目度）: 9.907733372150625
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Medical image segmentation models require both high accuracy and lightweight design to accommodate real-world medical applications. The deployment of these models on resource-limited medical platforms remains a significant challenge due to their high computational and parameter requirements. Existing pruning methods for model compression mostly overlook the intrinsic connections and similarity between the internal structures of complex deep neural networks. As a result, compressed models may not effectively retain the basic features of the pretrained network. To solve this problem, we propose a hierarchical clustering compression method for medical image segmentation models (MIS-HCC). This approach employs hierarchical clustering to partition channels and fuse their parameters efficiently. Specifically, it leverages the Wasserstein distance to represent similarity of channels within layers of pre-trained network, forming a similarity matrix that guides the clustering process. Channels within each cluster are then fused to produce a compressed network. Experimental results on three medical image datasets application demonstrate that MIS-HCC outperforms the state-of-the-art methods in both accuracy and compression efficiency, offering an effective solution for deploying medical image segmentation models on resource-limited medical platforms.
Abstract（参考訳）: 医用画像セグメンテーションモデルは、現実世界の医療応用に対応するために、高精度かつ軽量な設計が必要である。これらのモデルのリソース制限された医療プラットフォームへの展開は、高い計算量とパラメータ要求のため、依然として大きな課題である。モデル圧縮のための既存のプルーニング法は、主に複雑なディープニューラルネットワークの内部構造間の固有の接続と類似性を見落としている。結果として、圧縮されたモデルは、事前訓練されたネットワークの基本的特徴を効果的に保持することができない。そこで本研究では,医療画像セグメンテーションモデル(MIS-HCC)の階層的クラスタリング圧縮手法を提案する。このアプローチでは、階層的なクラスタリングを使用してチャネルを分割し、パラメータを効率的に融合する。具体的には、ワッサーシュタイン距離を利用して、事前訓練されたネットワーク層内のチャネルの類似性を表現し、クラスタリングプロセスを導く類似性行列を形成する。各クラスタ内のチャネルは融合して圧縮ネットワークを生成する。 3つの医用画像データセットアプリケーションの実験結果から、MIS-HCCは精度と圧縮効率の両方において最先端の手法よりも優れており、リソース制限された医療プラットフォームに医療用画像セグメンテーションモデルをデプロイするための効果的なソリューションを提供する。

関連論文リスト

GCA-ResUNet: Medical Image Segmentation Using Grouped Coordinate Attention [3.6679095759171645]
GCA-ResUNetは、軽量でプラグ&プレイのGrouped Coordinate Attention (GCA)モジュールを備えた効率的な医用画像セグメンテーションフレームワークである。 Synapse と ACDC の2つの広く使われているベンチマークによる大規模な実験では、それぞれ GCA-ResUNet が 86.11% と 92.64% のDice のスコアを達成している。
論文参考訳（メタデータ） (2025-12-30T05:13:20Z)
PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。 JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
論文参考訳（メタデータ） (2025-03-14T17:01:17Z)
PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation [6.134314911212846]
現在の最先端の医用画像分割法は精度を優先するが、計算要求の増大とより大きなモデルサイズを犠牲にすることも多い。計算冗長性を避けつつグローバルな局所特徴処理のバランスをとる新しい医用画像分割モデルPMFSNetを提案する。長期依存関係をキャプチャするために,アテンション機構に基づいたマルチスケール機能拡張モジュールであるPMFSブロックをプラグインとして組み込んでいる。
論文参考訳（メタデータ） (2024-01-15T10:26:47Z)
BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文参考訳（メタデータ） (2024-01-01T10:49:09Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-06-15T17:55:05Z)
Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
論文参考訳（メタデータ） (2023-04-06T16:44:03Z)
Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文参考訳（メタデータ） (2022-11-16T21:55:05Z)
Max-Fusion U-Net for Multi-Modal Pathology Segmentation with Attention and Dynamic Resampling [13.542898009730804]
関連するアルゴリズムの性能は、マルチモーダル情報の適切な融合によって大きく影響を受ける。 We present the Max-Fusion U-Net that achieve a improve pathology segmentation performance。マルチシーケンスCMRデータセットを併用したMyoPS(Myocardial pathology segmentation)を用いて,本手法の評価を行った。
論文参考訳（メタデータ） (2020-09-05T17:24:23Z)
Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文参考訳（メタデータ） (2020-08-05T02:33:04Z)

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。