Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Fini la fenêtre coulissante : segmentation efficace des images médicales 3D avec échantillonnage différentiel des patchs Top-k

Created by
  • Haebom

Auteur

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

Contour

Dans cet article, nous proposons un cadre « No-More-Sliding-Window » (NMSW) pour pallier les inconvénients de l'approche par fenêtre glissante (SW) dans la segmentation d'images médicales 3D. NMSW minimise la charge de calcul en échantillonnant sélectivement les patchs pertinents à l'aide d'un module top-k discriminant. Lorsque les prédictions au niveau du patch sont insuffisantes, des prédictions globales sont utilisées pour améliorer les résultats. Les résultats d'évaluation sur trois réseaux de segmentation et trois tâches montrent que NMSW atteint une précision compétitive (de 88,0 à 8,00 TMAC) par rapport à l'approche SW, tout en réduisant la complexité de calcul de 91 %. Il atteint également une accélération d'inférence 9,1 fois plus rapide sur un GPU H100 et 11,1 fois plus rapide sur un processeur Xeon Gold. Fonctionnant indépendamment du modèle, il peut être intégré aux réseaux de segmentation performants existants pour une plus grande efficacité.

Takeaways, Limitations_

•
Takeaways:
◦
Nous présentons un cadre NMSW qui résout efficacement le problème de ralentissement de l'inférence basée sur une fenêtre coulissante dans la segmentation d'images médicales 3D.
◦
Obtenez des accélérations remarquables (9,1x à 11,1x) sur les environnements GPU et CPU.
◦
Maintenir une précision compétitive tout en réduisant la complexité de calcul de 91 %.
◦
La conception indépendante du modèle permet une application à divers réseaux fédérateurs.
◦
Reproductibilité et extensibilité grâce au code ouvert.
•
Limitations:
◦
ÉValuation sur des ensembles de données et des tâches limités. Une validation des performances sur divers ensembles de données et environnements cliniques est requise.
◦
Des recherches supplémentaires sont nécessaires sur l’optimisation des hyperparamètres du module top-k.
◦
Des analyses plus approfondies sont nécessaires sur les améliorations des performances et les limites de l’exploitation de la prédiction globale.
👍
Made with Slashpage