論文の概要: T-AutoML: Automated Machine Learning for Lesion Segmentation using
Transformers in 3D Medical Imaging
- arxiv url: http://arxiv.org/abs/2111.07535v1
- Date: Mon, 15 Nov 2021 04:57:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 14:52:51.007631
- Title: T-AutoML: Automated Machine Learning for Lesion Segmentation using
Transformers in 3D Medical Imaging
- Title(参考訳): t-automl:3次元医用イメージングにおけるトランスフォーマーを用いた病変分割の自動機械学習
- Authors: Dong Yang, Andriy Myronenko, Xiaosong Wang, Ziyue Xu, Holger R. Roth,
Daguang Xu
- Abstract要約: ディープラーニングに基づくアプローチは、従来の手法よりも大幅に性能を向上した。
本稿では,機械学習アルゴリズムT-AutoMLを提案する。
我々は,T-AutoMLを複数の大規模公共病変セグメントデータセットで検証し,最先端の性能を実現する。
- 参考スコア(独自算出の注目度): 10.559104567182686
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Lesion segmentation in medical imaging has been an important topic in
clinical research. Researchers have proposed various detection and segmentation
algorithms to address this task. Recently, deep learning-based approaches have
significantly improved the performance over conventional methods. However, most
state-of-the-art deep learning methods require the manual design of multiple
network components and training strategies. In this paper, we propose a new
automated machine learning algorithm, T-AutoML, which not only searches for the
best neural architecture, but also finds the best combination of
hyper-parameters and data augmentation strategies simultaneously. The proposed
method utilizes the modern transformer model, which is introduced to adapt to
the dynamic length of the search space embedding and can significantly improve
the ability of the search. We validate T-AutoML on several large-scale public
lesion segmentation data-sets and achieve state-of-the-art performance.
- Abstract(参考訳): 画像診断における病変分割は臨床研究において重要な課題である。
この課題に対処するために、研究者は様々な検出アルゴリズムとセグメンテーションアルゴリズムを提案した。
近年,ディープラーニングに基づくアプローチにより,従来の手法よりも性能が大幅に向上している。
しかし、最先端のディープラーニング手法の多くは、複数のネットワークコンポーネントとトレーニング戦略の手動設計を必要とする。
本稿では,機械学習アルゴリズムT-AutoMLを提案する。このアルゴリズムは,最高のニューラルネットワークを探索するだけでなく,ハイパーパラメータとデータ拡張戦略を同時に組み合わせることで,最適な組み合わせを見つけることができる。
提案手法は,探索空間埋め込みの動的長さに適応し,探索能力を大幅に向上させるため,現代の変圧器モデルを用いている。
我々は,T-AutoMLを複数の大規模公共病変セグメントデータセットで検証し,最先端の性能を実現する。
関連論文リスト
- Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳(メタデータ) (2024-07-04T16:56:59Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - SeUNet-Trans: A Simple yet Effective UNet-Transformer Model for Medical
Image Segmentation [0.0]
医用画像セグメンテーションのためのシンプルなUNet-Transformer(seUNet-Trans)モデルを提案する。
提案手法では,UNetモデルを特徴抽出器として設計し,入力画像から複数の特徴マップを生成する。
UNetアーキテクチャと自己認識機構を活用することで、我々のモデルはローカルとグローバルの両方のコンテキスト情報を保存するだけでなく、入力要素間の長距離依存関係をキャプチャできる。
論文 参考訳(メタデータ) (2023-10-16T01:13:38Z) - Auto Machine Learning for Medical Image Analysis by Unifying the Search
on Data Augmentation and Neural Architecture [14.014720552434706]
そこで我々は,拡張密度マッチングという改良された拡張検索戦略を提案する。
データ拡張とニューラルアーキテクチャの探索を統合することにより,効率的な自動機械学習(AutoML)アルゴリズムが提案された。
実験の結果,提案手法はMedMNISTの最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2022-07-21T08:12:22Z) - Concurrent Neural Tree and Data Preprocessing AutoML for Image
Classification [0.5735035463793008]
現在のSOTA (State-of-the-art) には、アルゴリズム検索空間の一部として入力データを操作するための従来の手法は含まれていない。
進化的多目的アルゴリズム設計エンジン(EMADE, Evolutionary Multi-objective Algorithm Design Engine)は、従来の機械学習手法のための多目的進化的検索フレームワークである。
CIFAR-10画像分類ベンチマークデータセットにおいて,これらの手法を検索空間の一部として含めることで,性能向上の可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-25T20:03:09Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - One to Many: Adaptive Instrument Segmentation via Meta Learning and
Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。
ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。
2つのデータセットで他の最先端のメソッドよりも優れています。
論文 参考訳(メタデータ) (2021-03-24T05:02:18Z) - Searching Learning Strategy with Reinforcement Learning for 3D Medical
Image Segmentation [15.059891142682117]
本稿では,強化学習を用いた最適学習戦略のための自動探索手法を提案する。
提案手法は,3次元医用画像分割の課題に対して有効である。
論文 参考訳(メタデータ) (2020-06-10T14:24:06Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳(メタデータ) (2020-03-06T19:00:04Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳(メタデータ) (2020-02-22T14:10:13Z)
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。