論文の概要: Deep Medical Image Analysis with Representation Learning and
Neuromorphic Computing
- arxiv url: http://arxiv.org/abs/2005.05431v1
- Date: Mon, 11 May 2020 20:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 20:11:31.796611
- Title: Deep Medical Image Analysis with Representation Learning and
Neuromorphic Computing
- Title(参考訳): 表現学習とニューロモルフィックコンピューティングを用いた深部医用画像解析
- Authors: Neil Getty, Thomas Brettin, Dong Jin, Rick Stevens, Fangfang Xia
- Abstract要約: 回転やアフィン変換に頑健な表現を明示的に学習するカプセルネットワークを提案する。
第2に、最新のドメイン適応技術を活用して、新しい最先端の精度を実現する。
第3に、Intel Loihiニューロモルフィックチップでトレーニングされたスパイクニューラルネットワークを設計する。
- 参考スコア(独自算出の注目度): 1.43494686131174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore three representative lines of research and demonstrate the utility
of our methods on a classification benchmark of brain cancer MRI data. First,
we present a capsule network that explicitly learns a representation robust to
rotation and affine transformation. This model requires less training data and
outperforms both the original convolutional baseline and a previous capsule
network implementation. Second, we leverage the latest domain adaptation
techniques to achieve a new state-of-the-art accuracy. Our experiments show
that non-medical images can be used to improve model performance. Finally, we
design a spiking neural network trained on the Intel Loihi neuromorphic chip
(Fig. 1 shows an inference snapshot). This model consumes much lower power
while achieving reasonable accuracy given model reduction. We posit that more
research in this direction combining hardware and learning advancements will
power future medical imaging (on-device AI, few-shot prediction, adaptive
scanning).
- Abstract(参考訳): 我々は,脳がんMRIデータの分類ベンチマークにおいて,3つの研究ラインを探索し,本手法の有用性を実証する。
まず,回転とアフィン変換に頑健な表現を明示的に学習するカプセルネットワークを提案する。
このモデルはトレーニングデータが少なく、元の畳み込みベースラインと以前のカプセルネットワークの実装を上回っている。
第2に、最新のドメイン適応技術を活用して、新しい最先端の精度を実現する。
実験の結果,非医用画像はモデルの性能向上に有効であることがわかった。
最後に、intel loihiニューロモルフィックチップでトレーニングされたスパイクニューラルネットワークを設計する(図1は推論スナップショットを示す)。
このモデルは、モデル還元によって適切な精度を保ちながら、はるかに低い電力を消費する。
ハードウェアと学習の進歩を組み合わせたこの方向の研究が、将来の医療画像(オンデバイスai、少数ショット予測、アダプティブスキャン)に寄与すると確信している。
関連論文リスト
- Video and Synthetic MRI Pre-training of 3D Vision Architectures for
Neuroimage Analysis [3.208731414009847]
トランスファーラーニングは、特定のタスクに適応するために、大規模なデータコーパスでディープラーニングモデルを事前訓練することを含む。
視覚変換器 (ViTs) と畳み込みニューラルネットワーク (CNNs) のベンチマークを行った。
得られた事前訓練されたモデルは、ターゲットタスクのトレーニングデータが制限されている場合でも、さまざまな下流タスクに適応することができる。
論文 参考訳(メタデータ) (2023-09-09T00:33:23Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - Efficiently Training Vision Transformers on Structural MRI Scans for
Alzheimer's Disease Detection [2.359557447960552]
ビジョントランスフォーマー(ViT)は近年、コンピュータビジョンアプリケーションのためのCNNの代替として登場した。
難易度に基づいて,脳神経画像の下流タスクに対するViTアーキテクチャの変種を検証した。
合成および実MRIスキャンで事前訓練した微調整型視覚変換器モデルを用いて、5%と9-10%の性能向上を実現した。
論文 参考訳(メタデータ) (2023-03-14T20:18:12Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳(メタデータ) (2022-04-09T13:04:36Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - Transfer Learning Enhanced Generative Adversarial Networks for
Multi-Channel MRI Reconstruction [3.5765797841178597]
深層学習に基づく生成敵ネットワーク(GAN)は、アンダーサンプルMRデータを用いて画像再構成を効果的に行うことができる。
k空間データの保存は臨床フローにはないため、モデルトレーニングのために何万もの生患者データを取得することは困難である。
本研究では,GANモデル(PI-GAN)と移動学習を組み合わせた並列イメージングに基づく3つの新しい応用について検討した。
論文 参考訳(メタデータ) (2021-05-17T21:28:00Z) - Medical Transformer: Universal Brain Encoder for 3D MRI Analysis [1.6287500717172143]
既存の3Dベースの手法は、トレーニング済みのモデルを下流のタスクに転送している。
彼らは3D医療イメージングのためのモデルを訓練するために大量のパラメータを要求します。
本稿では,2次元画像スライス形式で3次元容積画像を効果的にモデル化する,メディカルトランスフォーマーと呼ばれる新しい伝達学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-28T08:34:21Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳(メタデータ) (2020-10-14T16:34:21Z) - Predictive modeling of brain tumor: A Deep learning approach [0.0]
本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。
実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
論文 参考訳(メタデータ) (2019-11-06T09:27:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。