論文の概要: Uni-Light: An Ultra-Lightweight Framework via Uncertainty-Aware Knowledge Distillation for Brain Tumour Segmentation
- arxiv url: http://arxiv.org/abs/2609.06729v1
- Date: Sun, 06 Sep 2026 17:00:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 04:44:15.40038
- Title: Uni-Light: An Ultra-Lightweight Framework via Uncertainty-Aware Knowledge Distillation for Brain Tumour Segmentation
- Title（参考訳）: Uni-Light:脳腫瘍切除のための不確かさを意識した知識蒸留による超軽量フレームワーク
- Abstract要約: 既存の脳腫瘍のセグメンテーション法は、しばしば重い計算要求に悩まされる。
高速セグメンテーションを実現する新しい超軽量フレームワーク(Uni-Light)を提案する。
Uni-Lightはパラメータを97.56%、浮動小数点演算(FLOP)を73.03%、メモリフットプリントを81.58%削減する。
- 参考スコア（独自算出の注目度）: 0.13980986259786224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate 3D brain tumour segmentation from multi-modal Magnetic Resonance Imaging (MRI) is essential for clinical diagnosis and treatment planning. Existing brain tumour segmentation methods often suffer from heavy computational demands, while current lightweight architectures frequently lack the capacity to maintain segmentation fidelity in complex tumour regions. To address these issues, we propose a novel ultra-lightweight framework (Uni-Light) that achieves high-fidelity segmentation with substantially reduced computational overhead. It combines multi-scale convolutions with an uncertainty-aware knowledge distillation scheme that directs the student model toward hard-to-classify regions, complemented by a Signed Distance Field boundary loss for geometric constraints. Experimental results on BraTS2023-GLI and MSD-BTS datasets demonstrate that Uni-Light reduces parameters by 97.56%, floating-point operations (FLOPs) by 73.03%, and inference memory footprint by 81.58%, while surpassing the state-of-the-art model by an average of 1.47% in Dice score, offering a highly competitive trade-off between segmentation accuracy and computational efficiency in resource-constrained clinical settings. This work also advances data engineering for medical imaging by demonstrating that teacher model uncertainty can be exploited as a data-driven supervisory signal, re-prioritising the training data distribution without requiring additional annotation.
- Abstract（参考訳）: 多モード磁気共鳴画像(MRI)からの正確な3次元脳腫瘍郭清は臨床診断と治療計画に不可欠である。
既存の脳腫瘍のセグメンテーション法は、しばしば重い計算要求に悩まされるが、現在の軽量アーキテクチャでは、複雑な腫瘍領域におけるセグメンテーションの忠実さを維持する能力が欠如していることが多い。
これらの問題に対処するために,計算オーバーヘッドを大幅に削減した高忠実度セグメンテーションを実現する新しい超軽量フレームワーク(Uni-Light)を提案する。
マルチスケールの畳み込みと不確実性を認識した知識蒸留スキームを組み合わせることで、幾何学的制約に対する符号付き距離場境界損失を補完して、学生モデルを分類しにくい領域へ誘導する。
BraTS2023-GLIとMSD-BTSデータセットの実験的結果は、Uni-Lightがパラメータを97.56%削減し、浮動小数点演算(FLOPs)を73.03%削減し、推測メモリフットプリントを81.58%削減し、Diceスコアの平均1.47%を越え、リソース制約された臨床環境におけるセグメンテーション精度と計算効率の競争力の高いトレードオフを提供することを示した。
この研究は、教師モデルの不確実性をデータ駆動の監視信号として活用できることを実証し、追加のアノテーションを必要とせず、トレーニングデータ分布を再優先順位付けすることで、医療画像のためのデータエンジニアリングも進めている。
関連論文リスト
- ResNet-34 with Lightweight Decoder for Accurate and Efficient Segmentation of Fetal Brain MRI [3.3745145603015985]
本研究では,ResNet-34エンコーダと軽量デコーダを組み合わせた新しいディープラーニングモデルを提案する。
トレーニングされ、FeTAデータセット上で5倍のクロスバリデーションを使用して検証される。
平均精度は97.37%で、Dice similarity Coefficient(DSC)は90.33%、Intersection over Union(IoU)は86.93%、Precisionは90.83%である。
論文 参考訳（メタデータ） (2026-05-31T15:25:37Z) - 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) - UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。
我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。
我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
論文 参考訳（メタデータ） (2026-03-10T05:45:12Z) - Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing [0.0]
本研究の目的は,脳腫瘍のセグメンテーションの性能を高めることであり,最終的に診断の信頼性を向上させることである。
提案したモデルは、この目標を達成するために、さまざまなパフォーマンス指標を使用して、BraTS 2020データセットで徹底的に評価され、評価される。
論文 参考訳（メタデータ） (2025-10-21T22:11:19Z) - DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。
マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。
本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:31:21Z) - Resource-Efficient Glioma Segmentation on Sub-Saharan MRI [4.522693679811991]
本研究では,資源品質設定に適した,堅牢で効率的なディープラーニングフレームワークを提案する。
我々は,BraTS-Africaデータセット上のトレーニング済み重みから,残留ブロックを付加した3次元注意UNetアーキテクチャを活用し,転送学習により拡張した。
SSA MRIデータにおけるグリオーマセグメンテーションのベンチマークであるBraTS-Africaデータセットから95例のMRI症例について検討した。
論文 参考訳（メタデータ） (2025-09-11T13:52:47Z) - InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。
胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。
IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文 参考訳（メタデータ） (2024-08-12T19:19:23Z) - Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。
本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。
微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
論文 参考訳（メタデータ） (2024-06-12T20:35:16Z) - LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation [7.1789008189318455]
LATUP-Netは、並列畳み込みを備えた軽量な3DアテンションU-Netである。
高いセグメンテーション性能を維持しつつ、計算要求を大幅に削減するように設計されている。
BraTS 2020データセットの平均Diceスコアは88.41%、83.82%、73.67%であり、BraTS 2021データセットでは、それぞれ90.29%、89.54%、83.92%である。
論文 参考訳（メタデータ） (2024-04-09T00:05:45Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z)
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。