論文の概要: RadYOLO: Computationally Efficient 3D Object Detection and Segmentation in CT and MRI

• arxiv url: http://arxiv.org/abs/2608.00508v1
• Date: Sat, 01 Aug 2026 08:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.730717
• Title: RadYOLO: Computationally Efficient 3D Object Detection and Segmentation in CT and MRI
• Title（参考訳）: RadYOLO:CTとMRIの3次元物体検出と分割をコンピュータで効率的に行う
• Abstract要約: RadYOLOは、医療画像に適したYOLO11の3D拡張である。 5つのデータセットで nnU-Net と nnDetection を比較した。 CPU上で実行すると、RadYOLOの推論は数秒で実行される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Object detection and segmentation in three-dimensional medical images is a very active area of research. However, most proposed deep learning models carry a high computational cost, and only few aim to be broadly applicable, achieve high detection performance, and remain fast to execute on resource-constrained hardware. To address this gap, we present RadYOLO, a 3D extension of YOLO11 tailored to medical images. We compare it with nnU-Net and nnDetection on five datasets comprising CT and MRI data with varying object sizes and prevalence. RadYOLO's detection performance surpasses that of nnDetection on four of five datasets and is comparable on one. Compared to nnU-Net, RadYOLO performs better on lesion detection tasks, while nnU-Net excels at detecting large organs when precise localization is required. When rough object localization is sufficient, RadYOLO matches or outperforms nnU-Net on all five datasets. Regarding inference time, RadYOLO is 8-46x faster than nnU-Net on a GPU. Compared to nnDetection the speedup is even higher. When executed on a CPU, RadYOLO's inference runs within seconds (still faster than nnU-Net on a GPU) offering a significant advantage for clinical and edge-device deployment. RadYOLO repository: https://github.com/FraunhoferMEVIS/RadYOLO
• Abstract（参考訳）: 三次元医用画像における物体の検出とセグメンテーションは、非常に活発な研究領域である。 しかし、提案するディープラーニングモデルの多くは高い計算コストを伴い、広く適用し、高い検出性能を達成し、リソース制約のあるハードウェア上での高速な実行を目標とするものはごくわずかである。 このギャップに対処するため,医療画像に合わせたYOLO11の3D拡張であるRadYOLOを提示する。 我々は,CTデータとMRIデータからなる5つのデータセットにおいて,nU-NetとnnDetectionを比較した。 RadYOLOの検出性能は、5つのデータセットのうち4つでnnDetectionを上回り、1つに匹敵する。 nnU-Netと比較すると、RadYOLOは病変検出タスクに優れており、nnU-Netは正確な局所化が必要なときに大きな臓器を検出するのに優れている。 粗いオブジェクトのローカライゼーションが十分であれば、RadYOLOは5つのデータセットすべてでnnU-Netにマッチする。 推論時間に関して、RadYOLOはGPU上のnnU-Netよりも8-46倍高速である。 nnDetectionと比較すると、スピードアップはさらに高い。 CPU上で実行する場合、RadYOLOの推論は数秒(GPU上のnnU-Netよりも高速)で実行される。 RadYOLOリポジトリ:https://github.com/FraunhoferMEVIS/RadYOLO

関連論文リスト

• Open-YOLO 3D: Towards Fast and Accurate Open-Vocabulary 3D Instance Segmentation [91.40798599544136]
  高速かつ高精度なオープン語彙型3Dインスタンスセグメンテーション手法Open-YOLO 3Dを提案する。 オープンな3Dインスタンスセグメンテーションのために、マルチビューRGB画像からの2Dオブジェクト検出のみを効果的に活用する。 テキストプロンプトと3Dマスクとのマッチング性能は、2Dオブジェクト検出器でより高速に実現できることを実証的に見出した。
  論文  参考訳（メタデータ） (2024-06-04T17:59:31Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection [7.798672884591179]
  チャネルシャッフル(RCS-YOLO)に基づく新しいYOLOアーキテクチャを提案する。 脳腫瘍データセット Br35H の実験的結果は,提案モデルが YOLOv6, YOLOv7, YOLOv8 を超える速度と精度を示した。 提案したRCS-YOLOは,脳腫瘍検出タスクにおける最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-07-31T05:38:17Z)
• SuperYOLO: Super Resolution Assisted Object Detection in Multimodal Remote Sensing Imagery [36.216230299131404]
  マルチモーダルデータを融合し,マルチスケールオブジェクトに対して高分解能(HR)オブジェクト検出を行うSuperYOLOを提案する。 提案モデルでは,最先端モデルと比較して,精度と速度のトレードオフが良好である。
  論文  参考訳（メタデータ） (2022-09-27T12:58:58Z)
• Implementation of a Modified U-Net for Medical Image Segmentation on Edge Devices [0.5735035463793008]
  本稿では,Intel Movidius Neural Compute Stick 2 (NCS-2) による医用画像のセグメンテーションのための改良U-Netの実装について述べる。 脳MRIのBraTsデータセット、心臓MRIデータセット、およびZNSDBデータセットである。
  論文  参考訳（メタデータ） (2022-06-06T05:25:19Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
  本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。 具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。 提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
  論文  参考訳（メタデータ） (2020-12-26T19:41:15Z)
• KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
  トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。 本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。 提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
  論文  参考訳（メタデータ） (2020-10-04T19:23:33Z)
• DeepSperm: A robust and real-time bull sperm-cell detection in densely populated semen videos [26.494850349599528]
  この研究はDeepSpermと呼ばれるアーキテクチャを提案し、課題を解決し、最先端のアーキテクチャよりも正確で高速である。 実験では,テストデータセット上で86.91 mAP,処理速度50.3 fpsを達成した。
  論文  参考訳（メタデータ） (2020-03-03T09:05:05Z)

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。