論文の概要: Parameter-Efficient 3D Segmentation of Liver and Liver tumors: Depthwise factorization Scales Better Than Dense Convolution with Spatial Dimensionality

• arxiv url: http://arxiv.org/abs/2609.33077v1
• Date: Sun, 27 Sep 2026 01:29:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:45:27.925503
• Title: Parameter-Efficient 3D Segmentation of Liver and Liver tumors: Depthwise factorization Scales Better Than Dense Convolution with Spatial Dimensionality
• Title（参考訳）: 肝腫瘍と肝腫瘍の3次元分節化 : 空間的次元の畳み込みよりも奥行き分解尺度が優れている
• Abstract要約: 3次元の高密度畳み込みネットワークは、医用画像セグメンテーションにおける最強のパフォーマーである。 深く分離可能な因子化は このペナルティを共有しません 肝臓上の高密度3D U-Netを+0.031 Dice (paired p = 0.006) で、腫瘍上で+0.041 (95 % CI [+0.005, +0.081], paired p = 0.056) で超える3D U-Netを構築する。 LiTSと2次元内視鏡のベンチマークでは、ネットワークの学習可能なフィルタの大部分が、精度を犠牲にすることなく固定シフトに置き換えられるが、全てを置き換えることができる。
• 参考スコア（独自算出の注目度）: 0.14323566945483493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Three-dimensional dense convolutional networks are the strongest performers on volumetric medical image segmentation, but their parameter counts scale poorly: moving a dense k x k convolution to k x k x k multiplies its weights by k. We observe that depthwise separable factorization does not share this penalty. Because the cubic kernel term applies only to the depthwise stage while the pointwise projection, which dominates the parameter count, is unchanged, the same architecture grows by 5 % from 2D to 3D where a dense convolutional U-Net grows by 200 %. We exploit this asymmetry to build a 3D U-Net with 536,990 parameters, 24x fewer than an identical dense 3D U-Net. On MSD Task03 Liver (the Medical Segmentation Decathlon liver task, derived from LiTS), evaluated per case under five-fold cross-validation over all 131 public volumes, the model reaches a tumor Dice of 0.577 (95% CI [0.518, 0.633]) and a liver Dice of 0.947 (95% CI [0.941, 0.952]). Its liver Dice exceeds previously reported performance. Its tumor Dice exceeds their low-resolution configuration (0.4701) by 0.107 and their 2D configuration (0.5394), at approximately one twenty-fourth of the parameters and roughly half the in-plane resolution. Trained under identical conditions on a common held-out split, it exceeds a dense 3D U-Net on liver by +0.031 Dice (paired p = 0.006) and on tumor by +0.041 (95 % CI [+0.005, +0.081], paired p = 0.056), suggesting the factorization also acts as a regularizer in the small-data regime characteristic of medical imaging. We further show, on both LiTS and a 2D endoscopy benchmark, that a large fraction of the network's learnable spatial filters can be replaced by fixed shifts at no cost in accuracy, but that replacing all of them is measurably worse, the placement of spatial capacity matters more than its total amount.
• Abstract（参考訳）: 3次元の高密度畳み込みネットワークは、体積医学的な画像のセグメンテーションにおいて最強のパフォーマーであるが、それらのパラメータは、kxkの重みをkで乗算する密度kxkの畳み込みに移動するという、粗いスケールである。 我々は、深く分離可能な因数分解がこのペナルティを共有していないことを観察する。 立方体核項は、パラメータ数を支配する点投影が変わらず奥行きの段階にのみ適用されるので、密度の強い畳み込みU-Netが200%成長する2Dから3Dまで、同じアーキテクチャが5%成長する。 この非対称性を利用して、536,990個のパラメータを持つ3D U-Netを構築する。 MSD Task03 Liver(LiTS由来の医療セグメンテーション・デカトロン肝タスク)では,1件につき,全131巻に5倍のクロスバリデーションで評価し,0.577例(95% CI [0.518, 0.633]),0.947例(95% CI [0.941, 0.952])に到達した。 肝臓のDiceは、以前報告されたパフォーマンスを上回っている。 腫瘍のDiceは低解像度(0.4701)の0.107倍、2Dの0.5394倍、パラメータの約24分の1、平面内解像度の約半分を超える。 肝腫瘍では+0.031 Dice (paired p = 0.006)、腫瘍では+0.041 (95 % CI [+0.005, +0.081], paired p = 0.056) の高密度な3D U-Netを上回り、この因子化は医療画像の小さなデータ構造特性のレギュレータとしても機能する。 さらに、LiTSと2次元内視鏡のベンチマークにおいて、ネットワークの学習可能な空間フィルタの大多数は、精度の低い固定シフトに置き換えることができるが、これら全てを置き換えることは、測定可能なほど悪く、空間容量の配置は総量よりも重要であることを示す。

関連論文リスト

• TRIUNE-Net: Harmonizing Scale, Shape, and Efficiency in Pancreatic Tumor Segmentation [6.974505071267636]
  3次元CTボリュームにおける膵腫瘍の分節化は,膵と腫瘍の双方に極度にばらつきがあるため困難である。 本稿では,3つのイノベーションを通じて,資源規模,形状,効率の軽量統一化を実現するTRIUNENetを提案する。 TRIUNENet state-of-heart results with only 5.86M parameters and no external pre-training, out out of all baselines across all key tumor metrics。
  論文  参考訳（メタデータ） (2026-09-08T06:24:24Z)
• DINO-3DRA: Leveraging 2D Foundation Model Semantics for 3D Cerebral Aneurysm Segmentation [42.65813094687315]
  本稿では,DINO-3DRAを提案する。 マルチ中心3DRAデータでは、DINO-3DRAは5.72Mのトレーニング可能なパラメータしか持たない最先端の動脈瘤セグメンテーションを実現する。
  論文  参考訳（メタデータ） (2026-08-07T21:17:11Z)
• 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)
• DALight-3D: A Lightweight 3D U-Net for Brain Tumor Segmentation from Multi-Modal MRI [0.0]
  DALight-3Dは、奥行き分離可能な3D畳み込み、識別子条件付き正規化、クロススライスアテンション、適応スキップ融合を組み合わせたコンパクトな3D U-Netである。 その結果、DALight-3Dは、現在のベンチマーク設定内で、良好な精度と効率のトレードオフを提供することが示された。
  論文  参考訳（メタデータ） (2026-05-06T05:54:44Z)
• 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)
• MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation [15.514511820130474]
  我々は皮質下脳分割のための3DパッチベースのハイブリッドCNN-Mambaモデルを開発した。 モデルの性能をいくつかのベンチマークで検証した。
  論文  参考訳（メタデータ） (2024-09-12T02:19:19Z)
• An Ensemble of 2.5D ResUnet Based Models for Segmentation for Kidney and Masses [5.488270456927515]
  CTスキャンによる腎, 腎腫瘍, 腎嚢胞の自動分離は, 課題である。 2.5D ResUnetは、CTスキャンの厚さの広い範囲と不均衡分布を考慮して、効率的な粗大なセマンティックセマンティックセグメンテーションフレームワークを構築するために採用されている。
  論文  参考訳（メタデータ） (2023-11-27T07:24:50Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)

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。