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
- Just How Flexible are Neural Networks in Practice? [89.80474583606242]
ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。
しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
論文 参考訳(メタデータ) (2024-06-17T12:24:45Z) - 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) - Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - 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) - Unsupervised Model Drift Estimation with Batch Normalization Statistics
for Dataset Shift Detection and Model Selection [0.0]
本研究では,未ラベル試験データに基づくバッチ正規化層の統計量を利用したモデルドリフト推定手法を提案する。
本手法は,モデル動物園内に複数の候補モデルが存在する場合のモデル選択だけでなく,教師なしの方法でのトレーニングトラジェクトリにおいても有効であることを示す。
論文 参考訳(メタデータ) (2021-07-01T03:04:47Z) - 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。
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。