論文の概要: LightMedSeg-ISLES: Stroke Lesion Segmentation with 81x Fewer Parameters than nnU-Net
- arxiv url: http://arxiv.org/abs/2609.09634v1
- Date: Wed, 09 Sep 2026 02:49:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.877465
- Title: LightMedSeg-ISLES: Stroke Lesion Segmentation with 81x Fewer Parameters than nnU-Net
- Title（参考訳）: LightMedSeg-ISLES: nnU-Netより81倍低いパラメータを持つストローク病変分割
- Abstract要約: We present a pipeline for T1-weighted stroke lesion segmentation in ISLES'26。
146ケースのホールトアウトコホートでは、フリップテストタイムの増強により、平均Diceが0.618、病変が0.599であるF1が生成される。
より長い訓練とより強力な増強により、容量を増やさずに0.0358のDiceが追加され、より大型のモデルに代わる強力な単一チェックポイントが確立された。
- 参考スコア（独自算出の注目度）: 7.737501837654388
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large networks and ensembles often lead medical image segmentation challenges, but their storage and inference demands complicate deployment. We present LightMedSeg-ISLES, a 1.26-million-parameter pipeline for T1-weighted stroke lesion segmentation in ISLES'26. On a 146-case held-out cohort, flip test-time augmentation produces 0.618 mean Dice and 0.599 lesion-wise F1. A 102.35-million-parameter nnU-Net ResEnc-L produces 0.634 Dice and 0.544 lesion-wise F1 after size filtering. LightMedSeg therefore retains 97.5\% of nnU-Net's Dice with 81.4$\times$ fewer parameters while improving lesion-wise F1 by 0.055. Its four-pass TTA operating point requires 4.7$\times$ fewer FLOPs per standardized patch than nnU-Net. It also slightly exceeds filtered UNETR++ and nnFormer. Longer training and stronger augmentation add 0.0358 Dice without increasing capacity, establishing a strong single-checkpoint alternative to much larger models.
- Abstract（参考訳）: 大規模なネットワークとアンサンブルは、しばしば医療画像セグメンテーションの課題を導くが、そのストレージと推論は、デプロイメントを複雑にする。
We present LightMedSeg-ISLES, a 1.26mmparameter-parameter pipeline for T1-weighted stroke lesion segmentation in ISLES'26。
146ケースのホールトアウトコホートでは、フリップテストタイムの増強により、平均Diceは0.618、病変は0.599である。
102.35ミリパラメータ nnU-Net ResEnc-L はサイズフィルタリング後に 0.634Dice と 0.544F1 を生成する。
したがって LightMedSeg は nnU-Net の Dice の 97.5\% を 81.4$\times$ less パラメータで保持し、病変度 F1 を 0.055 改善している。
4パスのTTA動作ポイントは、nnU-Netよりも4.7$\times$標準パッチ当たりのFLOPを少なくする。
また、フィルターされたUNETR++とnnFormerをわずかに上回る。
より長い訓練とより強力な増強により、容量を増やさずに0.0358のDiceが追加され、より大型のモデルに代わる強力な単一チェックポイントが確立された。
関連論文リスト
- Parameter-Efficient Fine-Tuning of Foundation Models for Liver Tumor Segmentation in CT [1.9403818519796712]
大腸癌肝転移の腹部CTにおける肝腫瘍分節に対するSegment Anything Model(SAM)のパラメーター効率細調整(PEFT)について検討した。
低ランク適応(LoRA)、4ビット量子化LoRA(QLoRA)、畳み込みアダプタ(Conv-Adapter)、指向スペクトルトップKアダプタ(DiSCo)を比較した。
Conv-AdapterとLoRAは最高精度(全Dice 0.793と0.792)、シングルポイントDice 0.795と0.792、95パーセントのハウスドルフ距離(HD95)32を達成した。
論文 参考訳（メタデータ） (2026-09-12T19:07:51Z) - Unsupervised Anatomical Feature Learning via Diffusion Models: Enhanced Medical Image Segmentation with Denoising Diffusion Probabilistic Models [0.8590539335179757]
本研究では,非教師付き拡散確率モデル(DDPM)を用いて解剖学的特徴を抽出する手法を提案する。
21個の腹部CTでMDPMを訓練し, エンコーダ重みを下流セグメンテーションタスクに転送する。
拡散に基づく事前訓練にラベルのない画像を使用することで、人間の監督に先立って堅牢な解剖学的特徴を組み込むことに成功した。
論文 参考訳（メタデータ） (2026-08-26T12:10:56Z) - CRIL-U-Net: Compact Ratio-Interaction Learning for Focal Cortical Dysplasia Segmentation from T1w and FLAIR MRI [0.879504058268139]
CRIL-U-Netはコンパクト比対話学習モジュールを組み込んだ3D U-Netである。
従来の3D U-Netと入力自己注意U-Netと比較された。
病変の重複は85例中44例で, U-Netは36例であった。
論文 参考訳（メタデータ） (2026-08-04T06:25:00Z) - Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。
本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文 参考訳（メタデータ） (2026-07-23T09:59:30Z) - The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization [67.92281859568168]
第3回オートPETチャレンジ(MICCAI 2024)の設計と成果を報告する。
全身PET/CTにおける自動病変分割を, 構成的一般化条件下でベンチマークした。
トップランクのアルゴリズムは平均DSCが0.66、FNVが3.18mL、FPVが2.78mLである。
論文 参考訳（メタデータ） (2026-05-07T07:07:09Z) - A Deployment-Friendly Foundational Framework for Efficient Computational Pathology [48.3868019137117]
モデルオーバーパラメータ化とパッチレベルの冗長性を緩和するLitePathを提案する。
LitePathは、1億9000万のパッチを使用して3つの大きなPFMから蒸留されたコンパクトなモデルであるLiteFMを統合している。
LitePathはVirchhow2より104.5倍高速で、3000のスライドに対して0.36 kWhを消費する。
論文 参考訳（メタデータ） (2026-02-15T06:31:50Z) - LFA-Net: A Lightweight Network with LiteFusion Attention for Retinal Vessel Segmentation [1.8242874713398711]
新たに設計された注目モジュールLiteFusion-Attentionを組み込んだ新しい血管分割ネットワークLFA-Netを提案する。
LFA-Netは、0.11百万のパラメータ、0.42MBのメモリサイズ、および4.46GFLOPのハイパフォーマンスを提供する。
論文 参考訳（メタデータ） (2025-09-26T01:07:05Z) - Lightweight image segmentation for echocardiography [0.45360533198417524]
我々は,CAMUS上のnnU-Netと統計的に等価な性能を実現する軽量なU-Netを開発した。
解析の結果,単純なアフィン増倍と深い監視駆動性能,複雑な増倍とモデルキャパシティはリターンを低下させることがわかった。
論文 参考訳（メタデータ） (2025-09-03T18:33:28Z) - Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses [0.9958347059366389]
本研究はPET/CT画像からの自動リンパ腫分離における重要なギャップに対処する。
深層学習は悪性リンパ腫の病巣分類に応用されているが, アウト・オブ・ディストリビューション検査を取り入れた研究はほとんどない。
高い代謝活性を有する大強度病変に対して,ネットワークがより優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2023-11-16T06:58:46Z) - EATFormer: Improving Vision Transformer Inspired by Evolutionary Algorithm [111.17100512647619]
本稿では、実証された実用的な進化的アルゴリズム(EA)と類似したビジョントランスフォーマーの合理性を説明する。
本稿では,EA ベースのトランス (EAT) ブロックのみを含む新しいピラミッド EATFormer バックボーンを提案する。
画像分類,下流タスク,説明実験に関する大規模かつ定量的な実験は,我々のアプローチの有効性と優位性を示すものである。
論文 参考訳（メタデータ） (2022-06-19T04:49:35Z) - Training Compact CNNs for Image Classification using Dynamic-coded
Filter Fusion [139.71852076031962]
動的符号化フィルタ融合(DCFF)と呼ばれる新しいフィルタプルーニング法を提案する。
我々は、効率的な画像分類のために、計算経済的および正規化のない方法でコンパクトなCNNを導出する。
我々のDCFFは、72.77MのFLOPと1.06Mのパラメータしか持たないコンパクトなVGGNet-16を導出し、トップ1の精度は93.47%に達した。
論文 参考訳（メタデータ） (2021-07-14T18:07:38Z) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z)
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。