抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深い畳込みニューラルネットワークの開発によって,医用画像セグメンテーションは,近年,一連のブレークスルーを達成した。しかし,高性能畳込みニューラルネットワークは,常に多数のパラメータと高い計算コストを意味し,それは臨床シナリオにおける応用を妨げるであろう。一方,大規模注釈医用画像データセットの希少性は,さらに高性能ネットワークの応用を妨げる。これらの問題に取り組むために,ネットワーク効率およびアノテーション効率医用画像セグメンテーションの両方に対して,包括的知識蒸留フレームワークであるグラフフローを提案した。特に,著者らのコアグラフフロー蒸留は,よく訓練された厄介な教師ネットワークから非訓練コンパクトな学生ネットワークへのクロスレイヤ変動の本質を伝達する。さらに,教師ネットワークの知識を精製するために教師なしParaphraserモジュールを統合し,訓練手順の安定化にも有益である。さらに,敵対蒸留とバニラロジット蒸留を統合することによって統一蒸留フレームワークを構築し,さらにコンパクトなネットワークの最終予測を精密化できる。異なる教師ネットワーク(従来の畳込みアーキテクチャまたは一般的な変圧器アーキテクチャ)および学生ネットワークを用いて,異なるモダリティ(Gastric Cancer,Synapse,BUSI,およびCVC-ClinDB)を有する4つの医用画像データセットに関する広範な実験を行った。これらのデータセット上で競合性能を達成する著者らの方法の顕著な能力を実証した。さらに,二重効率的な医用画像セグメンテーションのための新しい半教師つきパラダイムを通して,著者らのグラフフローの有効性を実証した。このコードはグラフフローで利用可能である。【JST・京大機械翻訳】