論文の概要: StrokeSeg2: Stroke Lesion Segmentation in Clinical Research Workflows
- arxiv url: http://arxiv.org/abs/2607.19901v1
- Date: Wed, 22 Jul 2026 08:35:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.029685
- Title: StrokeSeg2: Stroke Lesion Segmentation in Clinical Research Workflows
- Title（参考訳）: StrokeSeg2: 臨床研究ワークフローにおけるストローク病変セグメンテーション
- Authors: Youwan Mahé, Axel Plessis, Stéphanie Leplaideur, Elise Bannier, Florent Leray, Francesca Galassi,
- Abstract要約: StrokeSeg2は軽量でモジュール化されたクロスプラットフォームのC++/Qtフレームワークで、リソース集約型の3Dストロークセグメンテーションパイプラインをポータブルアプリケーションに適合させるように設計されている。
依存関係のないグラフィカルインターフェースとコマンドラインインターフェースを提供することで、StrokeSeg2は通常の臨床研究パイプラインのための高性能セグメンテーションのデプロイを容易にする。
- 参考スコア（独自算出の注目度）: 0.08209843760716957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning frameworks like nnU-Net achieve state-of-theart brain lesion segmentation performance but remain difficult to deploy in clinical research environments due to, among other reasons, software dependencies and computational requirements. We introduce StrokeSeg2, a lightweight, modular, cross-platform C++/Qt framework designed to adapt resource-intensive 3D stroke segmentation pipelines into portable and reproducible applications. To improve compatibility with standard clinical workstations, we investigate the combined effect of architectural compression through knowledge distillation and inference optimisation using ONNX Runtime with Float16 quantisation. Across heterogeneous hardware configurations (CPU, integrated GPU, and dedicated GPU) architectural distillation emerged as the primary contributor to efficiency gains, contributing to over 90% reduction in energy consumption and an average 84% reduction in inference time. Specifically, we identify a 0.84M-parameter student model as the most favourable trade-off, reducing the original 102.3M-parameter teacher architecture to a 2.1 MB disk footprint while preserving robust lesion localisation and competitive segmentation performance. This small footprint supports the development of a self-contained installer for clinical workstation targets. Finally, StrokeSeg2 packages these optimisations into standalone installers for Windows, macOS, and Linux. By providing both graphical and commandline interfaces without Docker or external environment dependencies, StrokeSeg2 facilitates deployment of high-performance segmentation workflows for routine clinical research pipelines.
- Abstract（参考訳）: nnU-Netのようなディープラーニングフレームワークは、最先端の脳病変セグメンテーションのパフォーマンスを達成しているが、ソフトウェア依存関係や計算要件などの理由から、臨床研究環境での展開は困難である。
StrokeSeg2は軽量でモジュール化されたクロスプラットフォームのC++/Qtフレームワークで、リソース集約型の3Dストロークセグメンテーションパイプラインをポータブルで再現可能なアプリケーションに適応するように設計されている。
本研究は,ONNXランタイムとFloat16量子化を用いた知識蒸留と推論最適化によるアーキテクチャ圧縮の併用効果について検討する。
ヘテロジニアスなハードウェア構成(CPU、集積GPU、専用GPU)全体にわたるアーキテクチャ蒸留が効率向上の主要な要因として現れ、エネルギー消費の90%以上を削減し、推論時間の平均84%を削減した。
具体的には、0.84Mパラメータの学生モデルが最も好適なトレードオフとして、元の102.3Mパラメータの教師アーキテクチャを2.1MBのディスクフットプリントに削減し、頑健な病変の局所化と競争的なセグメンテーション性能を維持した。
この小さな足跡は、臨床ワークステーションターゲットのための自己完結型インストーラの開発を支援する。
最後に、StrokeSeg2はこれらの最適化をWindows、macOS、Linux用のスタンドアロンインストーラにパッケージする。
Dockerや外部環境に依存しないグラフィカルインターフェースとコマンドラインインターフェースを提供することで、StrokeSeg2は通常の臨床研究パイプラインのための高性能セグメンテーションワークフローのデプロイを容易にする。
関連論文リスト
- 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) - Decentralized Direct Volume Rendering: A Browser-Native GPU Architecture for MRI Digital Twins in Resource-Constrained Settings [0.0]
デジタルツイン(DT)技術は、手術計画とパーソナライズドメディカルな医療にとって大きな可能性を秘めている。
現在、対話的で患者固有の解剖学的双生児を生成するには、計算的に重いサーバーサイドレンダリング(SSR)や高価なローカルワークステーションに頼っている。
本稿では、高忠実な解剖学的デジタルツインへのアクセスを民主化する分散クライアントサイドWebGPUアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-05-19T12:09:18Z) - Stroke Lesion Segmentation in Clinical Workflows: A Modular, Lightweight, and Deployment-Ready Tool [0.08699280339422537]
nnU-Netのようなディープラーニングフレームワークは、脳病変のセグメンテーションにおいて最先端のパフォーマンスを達成するが、臨床展開は困難である。
textitStrokeSegは、研究グレードの脳梗塞のセグメンテーションモデルをデプロイ可能なアプリケーションに変換するモジュール式で軽量なフレームワークである。
論文 参考訳（メタデータ） (2025-10-28T12:56:48Z) - MOBIUS: Big-to-Mobile Universal Instance Segmentation via Multi-modal Bottleneck Fusion and Calibrated Decoder Pruning [91.90342432541138]
モデルサイズとトレーニングデータのスケールアップには、インスタンスレベルの知覚のための高度な基盤モデルがある。
資源制約されたプラットフォームにおける高い計算コスト制限。
我々は,高性能コンピューティングプラットフォームとモバイルデバイスの両方において,効率的なセグメンテーションのための新しいベンチマークを導入する。
論文 参考訳（メタデータ） (2025-10-16T18:00:00Z) - Computer Vision for Real-Time Monkeypox Diagnosis on Embedded Systems [0.0]
本研究では,NVIDIA Jetson Orin Nano上に展開するAI駆動型診断ツールを提案する。
このモデルはオープンソースのMonkeypox Skin Lesionデータセットでトレーニングされ、93.07%のF1スコアを達成した。
この診断ツールは、未保存地域の診断問題に対処するために、効率的でスケーラブルでエネルギーを意識したソリューションである。
論文 参考訳（メタデータ） (2025-07-23T01:53:31Z) - Optimization of DNN-based HSI Segmentation FPGA-based SoC for ADS: A Practical Approach [1.474723404975345]
本研究では,FPGA ベースの SOC 上にデプロイされた DNN ベースの HSI セグメンテーションプロセッサの実用的共同設計のための最適化手法を提案する。
応用圧縮技術により設計されたDNNの複雑さは、元の操作の24.34%、元のパラメータの1.02%に大幅に減少し、セグメンテーション精度を著しく低下させることなく、推論タスクの2.86倍のスピードアップを達成した。
論文 参考訳（メタデータ） (2025-07-22T13:09:04Z) - MEAL: A Benchmark for Continual Multi-Agent Reinforcement Learning [46.286941981339304]
連続型マルチエージェント強化学習(CMARL)に適した最初のベンチマークであるMEALを紹介する。
既存のCLベンチマークはCPU上で環境を実行するため、計算上のボトルネックが発生し、タスクシーケンスの長さが制限される。
MEALは、JAXをGPUアクセラレーションに利用し、標準デスクトップPC上の100タスクのシーケンスを数時間で連続的に学習することを可能にする。
論文 参考訳（メタデータ） (2025-06-17T21:50:04Z) - Optuna vs Code Llama: Are LLMs a New Paradigm for Hyperparameter Tuning? [45.58422897857411]
この研究は、LoRAを用いてパラメータ効率の良いCode Llamaを微調整することで、ハイパーパラメータ最適化のための大規模言語モデル(LLM)の使用について検討する。
提案手法は,計算オーバーヘッドを大幅に削減しつつ,競合的あるいは優れたRoot Mean Square Error(RMSE)を実現する。
その結果,LLMに基づく最適化によって,木構造型パーゼンエミュレータ (TPE) のようなベイズ的手法が確立されただけでなく,知覚品質と低レイテンシ処理を必要とする実世界のアプリケーションへのチューニングが高速化された。
論文 参考訳（メタデータ） (2025-04-08T13:15:47Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Harnessing Deep Learning and HPC Kernels via High-Level Loop and Tensor Abstractions on CPU Architectures [67.47328776279204]
この研究は、効率的でポータブルなDeep LearningとHigh Performance Computingカーネルを開発するためのフレームワークを導入している。
1)プロセッシングプリミティブ(TPP)を用いた計算コアの表現と,2)高レベルな宣言的手法でTPPのまわりの論理ループの表現の2つのステップでカーネルの開発を分解する。
我々は、スタンドアロンカーネルと、さまざまなCPUプラットフォームにおける最先端実装よりも優れたエンドツーエンドワークロードを使用して、このアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-25T05:04:44Z)
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。