Fugu-MT 論文翻訳(概要): Site-Agnostic 3D Dose Distribution Prediction with Deep Learning Neural Networks

論文の概要: Site-Agnostic 3D Dose Distribution Prediction with Deep Learning Neural Networks

arxiv url: http://arxiv.org/abs/2106.07825v1
Date: Tue, 15 Jun 2021 01:14:10 GMT
ステータス: 処理完了
システム内更新日: 2021-06-16 15:22:37.667786
Title: Site-Agnostic 3D Dose Distribution Prediction with Deep Learning Neural Networks
Title（参考訳）: ディープラーニングニューラルネットワークを用いたサイト非依存3次元線量分布予測
Authors: Maryam Mashayekhi, Itzel Ramirez Tapia, Anjali Balagopal, Xinran Zhong, Azar Sadeghnejad Barkousaraie, Rafe McBeth, Mu-Han Lin, Steve Jiang, Dan Nguyen
Abstract要約: 現在の線量予測モデルは少量のデータに限られており、特定の場所で再訓練する必要がある。本研究では, 深層学習を用いたサイトに依存しない3次元線量分布予測モデルを提案する。
参考スコア（独自算出の注目度）: 0.983719084224035
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Typically, the current dose prediction models are limited to small amounts of data and require re-training for a specific site, often leading to suboptimal performance. We propose a site-agnostic, 3D dose distribution prediction model using deep learning that can leverage data from any treatment site, thus increasing the total data available to train the model. Applying our proposed model to a new target treatment site requires only a brief fine-tuning of the model to the new data and involves no modifications to the model input channels or its parameters. Thus, it can be efficiently adapted to a different treatment site, even with a small training dataset.
Abstract（参考訳）: 典型的には、現在の線量予測モデルは少量のデータに限られており、特定の場所で再訓練する必要があるため、しばしば準最適性能をもたらす。そこで我々は,どの治療現場からのデータも活用できるディープラーニングを用いた3次元線量分布予測モデルを提案する。提案したモデルを新しいターゲット治療サイトに適用するには,モデルを新しいデータに簡単に微調整するだけで,モデル入力チャネルやパラメータの変更は不要である。これにより、小さなトレーニングデータセットであっても、別の治療現場に効率的に適応することができる。

関連論文リスト

Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
論文参考訳（メタデータ） (2024-10-23T15:36:59Z)
Universality in Transfer Learning for Linear Models [18.427215139020625]
回帰モデルと二分分類モデルの両方を対象とした線形モデルにおける伝達学習の問題点について検討する。我々は、厳密かつ厳密な分析を行い、事前訓練されたモデルと微調整されたモデルに対する一般化誤差(回帰)と分類誤差(二分分類)を関連付ける。
論文参考訳（メタデータ） (2024-10-03T03:09:09Z)
Differential Privacy Regularization: Protecting Training Data Through Loss Function Regularization [49.1574468325115]
ニューラルネットワークに基づく機械学習モデルのトレーニングには、機密情報を含む大きなデータセットが必要である。差分的にプライベートなSGD [DP-SGD] は、新しいモデルをトレーニングするために標準勾配降下アルゴリズム(SGD)を変更する必要がある。より効率的な方法で同じ目標を達成するための新しい正規化戦略が提案されている。
論文参考訳（メタデータ） (2024-09-25T17:59:32Z)
Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文参考訳（メタデータ） (2024-09-10T07:34:19Z)
Low-rank Adaptation for Spatio-Temporal Forecasting [13.595533573828734]
本稿では,既存の時空間予測モデルSTLo-RAのためのオフザシェルフプラグインとして,新しい低ランク適応フレームワークを提案する。我々のアプローチは、元のモデルのパラメータとトレーニング時間を4%以下に増やし、一貫性と持続的なパフォーマンス向上を実現しています。
論文参考訳（メタデータ） (2024-04-11T17:04:55Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文参考訳（メタデータ） (2022-10-11T10:20:31Z)
How to Learn when Data Gradually Reacts to Your Model [10.074466859579571]
我々は,これらの効果が存在する場合でも,性能損失を最小限に抑えるための新しいアルゴリズム Stateful Performative Gradient Descent (Stateful PerfGD) を提案する。実験の結果, Stateful PerfGD は従来の最先端手法よりもかなり優れていたことが確認された。
論文参考訳（メタデータ） (2021-12-13T22:05:26Z)
Complementary Ensemble Learning [1.90365714903665]
我々は最先端のディープラーニングモデルの性能向上手法を考案した。具体的には、最先端モデルの不確実性を補完できる補助モデルを訓練する。
論文参考訳（メタデータ） (2021-11-09T03:23:05Z)
Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文参考訳（メタデータ） (2020-07-07T03:36:28Z)
Inference Stage Optimization for Cross-scenario 3D Human Pose Estimation [97.93687743378106]
既存の3Dポーズ推定モデルは、目に見えないポーズを持つ新しいシナリオに適用する場合、パフォーマンス低下を被る。本稿では、3次元ポーズモデルの一般化性を改善するための新しいフレームワークである推論段階最適化(ISO)を提案する。注目すべきは、MPI-INF-3DHPで83.6%の最先端の3D PCKが得られることだ。
論文参考訳（メタデータ） (2020-07-04T09:45:18Z)

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。