圧縮CTから学ぶ：特徴アテンション・スタイル変換と、リソース効率のための構造化ファクタ化射影による医用画像解析
arXiv cs.CV / 2026/5/4
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- 本論文は、非圧縮の胸部CTボリュームでAIを動かす際の高い計算コストを、JPEG圧縮CTデータを用いることで低リソースでの展開と高速転送を可能にする形で解決しようとします。
- Feature Attention Style Transfer（FAST）を提案し、高忠実度CT表現から得た活性（アクティベーション）パターンや構造的関係を、圧縮入力向けに学習されたエンコーダへ知識蒸留する枠組みを示しています。
- Structured Factorized Projection（SFP）では、Block Tensor Train分解によるパラメータ効率の高い射影ヘッドを導入し、射影ヘッドのパラメータをほぼ半減させています。
- FASTとSFPを組み合わせたコントラスト学習パイプラインCT-Liteを、SigLIPベースのマルチモーダル整合（アラインメント）目的とともに構築し、複数のCTデータセットでAUROCを非圧縮入力ベースラインから5〜7%以内に抑える成果を示します。
- 総じて、圧縮CTでも大幅に少ないパラメータで高精度な医用画像解析が可能であり、リソース制約のある臨床現場での実現性を高めることが示唆されます。
