論文の概要: Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound
- arxiv url: http://arxiv.org/abs/2007.15273v1
- Date: Thu, 30 Jul 2020 07:23:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 15:00:33.307491
- Title: Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound
- Title(参考訳): 3次元超音波による多面定位のための協調エージェントの探索
- Authors: Yuhao Huang, Xin Yang, Rui Li, Jikuan Qian, Xiaoqiong Huang, Wenlong
Shi, Haoran Dou, Chaoyu Chen, Yuanji Zhang, Huanjia Luo, Alejandro Frangi, Yi
Xiong, Dong Ni
- Abstract要約: 3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。
米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。
本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 59.97366727654676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D ultrasound (US) is widely used due to its rich diagnostic information,
portability and low cost. Automated standard plane (SP) localization in US
volume not only improves efficiency and reduces user-dependence, but also
boosts 3D US interpretation. In this study, we propose a novel Multi-Agent
Reinforcement Learning (MARL) framework to localize multiple uterine SPs in 3D
US simultaneously. Our contribution is two-fold. First, we equip the MARL with
a one-shot neural architecture search (NAS) module to obtain the optimal agent
for each plane. Specifically, Gradient-based search using Differentiable
Architecture Sampler (GDAS) is employed to accelerate and stabilize the
training process. Second, we propose a novel collaborative strategy to
strengthen agents' communication. Our strategy uses recurrent neural network
(RNN) to learn the spatial relationship among SPs effectively. Extensively
validated on a large dataset, our approach achieves the accuracy of 7.05
degree/2.21mm, 8.62 degree/2.36mm and 5.93 degree/0.89mm for the mid-sagittal,
transverse and coronal plane localization, respectively. The proposed MARL
framework can significantly increase the plane localization accuracy and reduce
the computational cost and model size.
- Abstract(参考訳): 3d超音波(us)は、診断情報、可搬性、低コストで広く使われている。
米国におけるSP(Automated Standard plane)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。
本研究では,複数の子宮SPを同時に3D USにローカライズするMARL(Multi-Agent Reinforcement Learning)フレームワークを提案する。
私たちの貢献は2倍です。
まず、MARLに1ショットのニューラルアーキテクチャ探索(NAS)モジュールを装備し、各平面に対して最適なエージェントを得る。
具体的には,gda( differentiable architecture sampler)を用いたグラデーションベース探索を用いて,学習プロセスの高速化と安定化を行う。
第2に,エージェントのコミュニケーションを強化する新しい協調戦略を提案する。
我々の戦略は、SP間の空間関係を効果的に学習するために、リカレントニューラルネットワーク(RNN)を用いる。
大規模データセット上で広く検証されたこの手法は,7.05度/2.21mm,8.62度/2.36mm,5.93度/0.89mmの精度を実現している。
提案したMARLフレームワークは,平面定位精度を大幅に向上し,計算コストとモデルサイズを低減できる。
関連論文リスト
- Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。
RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。
また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
論文 参考訳(メタデータ) (2023-12-18T18:16:30Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳(メタデータ) (2023-08-03T17:59:04Z) - LIT-Former: Linking In-plane and Through-plane Transformers for
Simultaneous CT Image Denoising and Deblurring [22.605286969419485]
本稿では3次元低線量CT像について検討する。
この文脈で様々な深層学習法が開発されたが、一般的には2次元画像に焦点をあて、低線量化と分解能の劣化によりデノナイジングを行う。
従来,高画質3次元CT画像の低放射線化と高速撮像速度の確保が重要であった,平面内脱色と平面内脱色を同時に行う作業はほとんど行われていなかった。
ここでは、平面内と平面内を同時に分割するトランスと、平面内と平面内を同時に接続することを提案する。
論文 参考訳(メタデータ) (2023-02-21T12:43:42Z) - Agent with Tangent-based Formulation and Anatomical Perception for
Standard Plane Localization in 3D Ultrasound [56.7645826576439]
3D USにおけるSP自動位置決めのための新しい強化学習フレームワークを提案する。
まず、RLにおける接点に基づく問題として、3D USにおけるSP局所化を定式化し、作用空間を再構成する。
第2に、平面探索における非SPとSPの交差する微妙な違いを認識するモデルの能力を高めるための補助的タスク学習戦略を設計する。
論文 参考訳(メタデータ) (2022-07-01T14:53:27Z) - Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound [15.573821037925143]
3D超音波は複数の標準平面(SP)を1枚のショットに収めることができる。
3D USにおける手動SPのローカライゼーションは、画像品質が低く、検索スペースが大きく、解剖学的変動が大きいため、難しい。
3DUSで複数のSPを同時にローカライズするマルチエージェント強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-22T02:48:23Z) - Agent with Warm Start and Adaptive Dynamic Termination for Plane
Localization in 3D Ultrasound [14.256624552635786]
本研究は, エージェント探索の早期停止を可能にするために, 適応動的終端を新たに設計し, 従来のRLフレームワークを強化した。
2.52mm/10.26度,2.48mm/10.39度,2.02mm/10.48度,2.00mm/14.57度,2.61mm/9.71度,3.9mm/9.58度,1.49mm/7.54度,胎児脳内,腹腔内,子宮中,横,冠状面の局在誤差を実現する。
論文 参考訳(メタデータ) (2021-03-26T14:57:26Z) - Spatial-Spectral Residual Network for Hyperspectral Image
Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。
提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。
各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文 参考訳(メタデータ) (2020-01-14T03:34:55Z) - Agent with Warm Start and Active Termination for Plane Localization in
3D Ultrasound [56.14006424500334]
超音波(US)診断には標準面の局在が不可欠である。
出生前のアメリカでは、何十もの標準的な飛行機が手動で2Dプローブで取得される。
胎児脳標準平面を3DUSで自動的に局所化するための新しい強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2019-10-10T02:21:52Z)
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。