Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

No más ventanas deslizantes: Segmentación eficiente de imágenes médicas 3D con muestreo de parches Top-k diferenciable

Created by
  • Haebom

Autor

Young Seok Jeon, Hongfei Yang, Huazhu Fu, Mengling Feng

Describir

En este artículo, proponemos un marco de trabajo de ventana deslizante (NMSW) para superar las deficiencias del enfoque de ventana deslizante (SW) en la segmentación de imágenes médicas 3D. NMSW minimiza la carga computacional al muestrear selectivamente solo los parches relevantes mediante un módulo top-k discriminante. Cuando las predicciones a nivel de parche son insuficientes, se utilizan predicciones globales para mejorar los resultados. Los resultados de la evaluación en tres estructuras de segmentación y tres tareas muestran que NMSW alcanza una precisión competitiva (de 88,0 a 8,00 TMAC) en comparación con el enfoque SW, a la vez que reduce la complejidad computacional en un 91 %. Además, alcanza una velocidad de inferencia 9,1 veces mayor en una GPU H100 y 11,1 veces mayor en una CPU Xeon Gold. Dado que opera de forma independiente del modelo, puede integrarse aún más con las estructuras de segmentación eficientes existentes para una mayor eficiencia.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un marco NMSW que aborda eficazmente el problema de desaceleración de la inferencia basada en ventanas deslizantes en la segmentación de imágenes médicas en 3D.
◦
Consiga aceleraciones notables (de 9,1x a 11,1x) en entornos de GPU y CPU.
◦
Mantener la precisión competitiva y al mismo tiempo reducir la complejidad computacional en un 91%.
◦
El diseño independiente del modelo permite su aplicación a diversas redes troncales.
◦
Reproducibilidad y extensibilidad mediante código abierto.
•
Limitations:
◦
Evaluación en conjuntos de datos y tareas limitados. Se requiere validación del rendimiento en diversos conjuntos de datos y entornos clínicos.
◦
Se necesita más investigación sobre la optimización de hiperparámetros del módulo top-k.
◦
Se necesitan más análisis sobre las mejoras de rendimiento y las limitaciones del aprovechamiento de la predicción global.
👍
Made with Slashpage