RGShuffleNet：ポータブルデバイス向けの効率的な医用画像セグメンテーション設計

科学分野:

• 医用画像解析
• コンピュータ支援診断
• モバイルヘルス技術

背景:

• 医用画像セグメンテーションは、診断と手術計画に不可欠です。
• UNetとそのバリアントは医用画像セグメンテーションを支配していますが、かなりの計算リソースが必要です。
• 現在のモデルはリソースが限られたポータブルデバイスへの展開が困難であり、在宅（Homelab）アプリケーションを妨げています。

研究 の 目的:

• リソースが制約されたモバイルデバイス向けの軽量医用画像セグメンテーションモデルを開発すること。
• 既存のセグメンテーションモデルの計算コストの制限に対処すること。
• 病院外での迅速かつ効率的な医用画像セグメンテーションを可能にすること。

主な方法:

• 医用画像セグメンテーションのための新しい軽量モデルであるRGShuffleNetの導入。
• 特徴グループの再構築により、パラメータと計算複雑性を削減するReshaped Group Convolutionの開発。
• 特徴グループ間のチャネルと空間次元全体での情報フローを強化するためのMSC-Shuffleブロックの実装。

主要な成果:

• RGShuffleNetは、心臓超音波および胸部CTデータセットにおいて、最先端の方法と比較して優れたセグメンテーションパフォーマンスを示しました。
• モデルは大幅に低い計算複雑性を達成し、モバイル展開に適しています。
• RGShuffleNetのポータブルデバイスへの展開が成功しました。

結論:

• RGShuffleNetは、モバイルデバイスでの軽量医用画像セグメンテーションのための効果的なソリューションを提供します。
• 提案されたReshaped Group ConvolutionとMSC-Shuffleブロックは、効率とパフォーマンスの向上に貢献します。
• この進歩は、ポータブルでリソースが限られた環境での高度な医用画像分析を促進します。