효율적인 의료 영상 개선 및 분할을 위한 하드웨어 인식 기능적 Kolmogorov-Arnold 네트워크
요약
본 논문은 의료 영상 개선 및 분할을 위한 FunKAN 네트워크의 현장 적용 한계를 극복하고자, 두 단계 하드웨어 인식 압축 버전인 FunKANLite를 제안합니다. 특히 FunKANLite-ST는 파라미터와 GFLOPs를 획기적으로 줄이면서도 기존 모델 대비 높은 정확도를 유지하여 임베디드 의료 기기에 적합함을 입증했습니다.
핵심 포인트
- FunKAN의 크기를 줄인 FunKANLite-ST를 제안함.
- 파라미터를 5.6배, GFLOPs를 3.7배 감소시킴.
- 정확도 손실 없이 임베디드 기기에서 높은 성능을 보임.
- NVIDIA Jetson Orin Nano 등 저전력 장치에 최적화됨.
기능적 Kolmogorov-Arnold 네트워크(FunKAN)는 MRI Gibbs 아티팩트 제거 및 해부학적 분할에서 최첨단 정확도를 달성하지만, 11.6 M개의 파라미터와 8.7 GFLOPs라는 크기는 현장 의료 기기에 너무 큽니다. 우리는 진료 현장 사용을 위해 FunKAN의 두 단계 하드웨어 인식 압축 버전인 FunKANLite를 제시합니다. FunKANLite-TR은 공간적 사전(spatial prior)을 줄이고 ResBlock 오프셋 예측기를 깊이별 분리 블록(depthwise-separable block)으로 대체했습니다. 이는 FunKAN보다 1.9배 적은 파라미터를 가지면서도 정확도 손실이 없습니다. 다음으로, 우리는 FunKANLite-TR을 FunKANLite-ST로 증류(distill)하여 Hermite 기저 랭크를 낮추고, 공간적 사전을 저랭크 형태로 인수분해하며, 필터 너비를 절반으로 줄였습니다. FunKANLite-ST는 FunKAN보다 5.6배 적은 파라미터를 가지고 있으며 GFLOPs도 3.7배 적습니다. BUSI, GlaS, CVC-ClinicDB에서 FunKAN과 1.4 퍼센트포인트 IoU를 유지하며, IXI에서는 33.95 dB PSNR에 도달합니다. NVIDIA Jetson Orin Nano 및 Raspberry Pi 5에서 FunKANLite-ST는 추론당 에너지 소비를 최대 68% 줄이고 처리량(throughput)을 2.9배 높입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AR의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기