相关实验视频
Updated: Aug 5, 2026

10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.6K
培训后网络压缩用于3D医疗图像细分:通过塔克分解减少计算力度
Tobias Weber1, Jakob Dexl1, David Rügamer1
1From the Department of Radiology, University Hospital, LMU Munich, Marchioninistr 15, 81377 Munich, Germany (T.W., J.D., M.I.); Department of Statistics, LMU Munich, Munich, Germany (T.W., D.R.); and Munich Center for Machine Learning, Munich, Germany (T.W., J.D., D.R., M.I.).
Radiology. Artificial intelligence
|January 15, 2025
概括
使用塔克分解的网络压缩显著降低了使用TotalSegmentator进行3D CT细分的计算需求. 这种深度学习方法实现了实质性的参数减少,对细分精度的影响最小.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 准确的基于3DCT的多器官细分对于临床应用至关重要.
- 像TotalSegmentator这样的深度学习模型提供自动细分,但需要大量的计算资源.
- 研究网络压缩技术以提高效率.
研究的目的:
- 为了评估压缩TotalSegmentator模型的塔克尔分解.
- 在推理过程中减少计算力度 (浮点运算,内存).
- 评估压缩,推断速度和细分精度之间的权衡.
主要方法:
- 应用了Tucker分解到TotalSegmentator (nnU-Net) 模型的卷积内核.
- 使用了一个大型CT数据集 (1228次扫描) 和一个测试子集 (89次扫描).
- 通过使用Dice在各种下方采样因素中的得分来评估细分性能.
主要成果:
- 在模型参数 (高达88.17%) 和浮点运算方面实现了显著的减少.
- 在细分准确度中显示最小损失,在微调后117个类中的113个类中没有显著差异.
- 在GPU架构上观察到各种实用好处,在不那么强大的硬件上加快速度.
结论:
- 通过塔克分解的特点后网络压缩是医疗图像细分的可行策略.
- 降低了深度学习模型的计算需求,而不会对准确性产生重大影响.
- 能够更有效地部署先进的细分工具.

