PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.28327v1cs.CV

LightMIS: 단계별 디코더가 없는 초경량 의료 이미지 분할

LightMIS: Ultra-Lightweight Medical Image Segmentation Without a Stage-Wise Decoder

본 논문에서는 학습된 단계별 디코더(stage-wise decoder) 없이 2D 이진 의료 이미지 분할(image segmentation)을 수행하는 확장 가능한 초경량 합성곱 신경망 계열인 LightMIS를 제안한다. LightMIS는 Scale-Aligned Projection 블록을 사용하여 5단계 인코더의 출력을 공통 해상도로 정렬하고 이를 한 번에 집약한 후, Adaptive Fusion Cascade를 통해 융합된 표현을 정제한다. 이 캐스케이드는 Adaptive Kernel Fusion과 제안된 Progressive Receptive Fusion 모듈을 결합하며, 해당 모듈은 일시적 채널 확장, 상호 보완적인 깊이별 수용 영역(depthwise receptive field), 점진적인 브랜치 간 정보 전달을 활용한다. 저자들은 DRIVE, Kvasir-SEG, DSB18, BUSI, ISIC-2017, ISIC-2018 데이터셋에서 공통 nnU-Net v2.3.1 프로토콜 기반의 5겹 교차 검증(cross-validation)을 통해 LightMIS-T, LightMIS-S, LightMIS를 평가(evaluation)한다. Full LightMIS는 $3\times256\times256$ 입력에 대해 0.131M개의 매개변수(parameter)를 포함하고 0.575 GFLOPs를 요구하며, 모달리티-매크로 Dice 및 IoU 점수에서 각각 86.71%와 78.99%를 달성한다. Mobile U-ViT는 86.75%의 Dice와 79.07%의 IoU를 기록하여, 관찰된 차이는 각각 0.04 및 0.08 퍼센트포인트에 불과하다. Mobile U-ViT, nnWNet, nnU-Net과 비교하여 LightMIS는 매개변수 수를 90.58$-$99.61%, GFLOPs를 82.54$-$96.14% 줄인다. Arm Mali-G52 MC2 GPU에서 모든 LightMIS 변형은 전체 GPU 위임(delegation)을 달성하며, 중앙값 위임 지연 시간은 LightMIS-T의 53.31ms에서 LightMIS의 138.31ms 범위이다. 이러한 결과는 평가된 태스크에서 우수한 정확도-복잡도 트레이드오프와 온디바이스 실행 실현 가능성을 입증한다. 코드는 https://github.com/AndreiiArhire/LightMIS 에서 공개되어 있다.