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

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Self-supervised Brain Lesion Generation for Effective Data Augmentation of Medical Images [0.9626666671366836]
  本稿では,脳病変分割モデルのトレーニングのための新しいサンプルを効率よく生成するフレームワークを提案する。 まず, 対向型自己エンコーダに基づく病変発生器を自己管理的に訓練する。 次に,新しい画像合成アルゴリズムであるSoft Poisson Blendingを用いて,合成病変と脳画像のシームレスな結合を行う。
  論文  参考訳（メタデータ） (2024-06-21T01:53:12Z)
• Image anomaly detection and prediction scheme based on SSA optimized ResNet50-BiGRU model [6.95262627755758]
  本稿では,Residual Network(ResNet)とBidirectional Gated Recurrent Unit(BiGRU)を組み合わせたネットワークを提案する。 ビデオ画像から筋肉や骨のポーズの変化を分析して、潜在的な損傷のタイプを予測し、早期警告を提供する。 4つのデータセットで行った実験により、我々のモデルは他のモデルと比較して画像異常検出において最小の誤差を持つことが示された。
  論文  参考訳（メタデータ） (2024-06-20T04:26:45Z)
• Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
  我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。 第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。 第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
  論文  参考訳（メタデータ） (2024-04-30T18:39:41Z)
• 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)
• 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)
• 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。