論文の概要: Meta-Registration: Learning Test-Time Optimization for Single-Pair Image Registration

• arxiv url: http://arxiv.org/abs/2207.10996v1
• Date: Fri, 22 Jul 2022 10:30:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:07:01.306860
• Title: Meta-Registration: Learning Test-Time Optimization for Single-Pair Image Registration
• Title（参考訳）: メタ登録:シングルペア画像登録のための学習テスト時間最適化
• Authors: Zachary MC Baum, Yipeng Hu, Dean C Barratt
• Abstract要約: この研究は、画像登録をメタ学習アルゴリズムとして定式化する。 前立腺癌108例の臨床経直腸超音波画像データを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 0.37501702548174964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks have been proposed for medical image registration by learning, with a substantial amount of training data, the optimal transformations between image pairs. These trained networks can further be optimized on a single pair of test images - known as test-time optimization. This work formulates image registration as a meta-learning algorithm. Such networks can be trained by aligning the training image pairs while simultaneously improving test-time optimization efficacy; tasks which were previously considered two independent training and optimization processes. The proposed meta-registration is hypothesized to maximize the efficiency and effectiveness of the test-time optimization in the "outer" meta-optimization of the networks. For image guidance applications that often are time-critical yet limited in training data, the potentially gained speed and accuracy are compared with classical registration algorithms, registration networks without meta-learning, and single-pair optimization without test-time optimization data. Experiments are presented in this paper using clinical transrectal ultrasound image data from 108 prostate cancer patients. These experiments demonstrate the effectiveness of a meta-registration protocol, which yields significantly improved performance relative to existing learning-based methods. Furthermore, the meta-registration achieves comparable results to classical iterative methods in a fraction of the time, owing to its rapid test-time optimization process.
• Abstract（参考訳）: ニューラルネットワークは、画像ペア間の最適な変換である大量のトレーニングデータを用いて、学習による医用画像の登録のために提案されている。 これらのトレーニングされたネットワークは、テストタイム最適化として知られる単一のテストイメージにさらに最適化することができる。 この研究は、画像登録をメタ学習アルゴリズムとして定式化する。 このようなネットワークは、トレーニング画像ペアの調整と、テスト時間最適化の有効性の向上を同時に行うことで、トレーニングすることができる。 提案するメタ登録は,ネットワークの"外部"メタ最適化におけるテスト時間最適化の効率と効果を最大化するために仮定されている。 トレーニングデータでは時間的にクリティカルなアプリケーションが多いが、潜在的に得られる速度と精度は、古典的な登録アルゴリズム、メタラーニングなし登録ネットワーク、テスト時間最適化データなしのシングルペア最適化と比較される。 前立腺癌108例の臨床経直腸超音波画像データを用いて実験を行った。 これらの実験により,メタ登録プロトコルの有効性が実証され,既存の学習手法と比較して性能が大幅に向上した。 さらに、メタ登録は、テスト時の迅速な最適化プロセスのため、ほんの少しの時間で、古典的な反復メソッドに匹敵する結果を得る。

関連論文リスト

• Recurrent Inference Machine for Medical Image Registration [11.351457718409788]
  本稿では,リカレント推論画像登録(RIIR)ネットワークと呼ばれる新しい画像登録手法を提案する。 RIIRは、メタラーニングによる登録問題の解法として反復的に定式化される。 実験の結果、RIIRはトレーニングデータの5%しか持たない深層学習法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-19T10:06:35Z)
• Incorporating Test-Time Optimization into Training with Dual Networks for Human Mesh Recovery [35.138312681232264]
  本稿では,トレーニングタイムとテストタイムの目標を統一するデュアルネットワークアーキテクチャを提案する。 メタラーニングと双対ネットワークを併用した手法は、最先端の回帰ベースおよび最適化ベースのHMRアプローチより優れている。
  論文  参考訳（メタデータ） (2024-01-25T12:04:53Z)
• Adaptive Image Registration: A Hybrid Approach Integrating Deep Learning and Optimization Functions for Enhanced Precision [13.242184146186974]
  本稿では,ディープニューラルネットワークと最適化に基づく画像登録のための単一のフレームワークを提案する。 また, 実験データの最大1.6%の改善と, 同じ推定時間を維持しつつ, 変形場平滑化における1.0%の性能向上を示す。
  論文  参考訳（メタデータ） (2023-11-27T02:48:06Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Automated Learning for Deformable Medical Image Registration by Jointly Optimizing Network Architectures and Objective Functions [69.6849409155959]
  本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。 マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。 我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2022-03-14T01:54:38Z)
• An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy Image Compression Systems [73.48927855855219]
  近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。 本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
  論文  参考訳（メタデータ） (2022-01-27T19:47:51Z)
• Multi-scale Neural ODEs for 3D Medical Image Registration [7.715565365558909]
  医用画像解析において画像登録は重要な役割を担っている。 ラーニング・トゥ・マップのような深層学習手法はより高速であるが、大きな動きを扱うための精度を改善するために反復的あるいは粗大なアプローチが必要である。 本研究では,マルチスケールのニューラルODEモデルを用いて登録を学習することを提案する。
  論文  参考訳（メタデータ） (2021-06-16T00:26:53Z)
• Deep Matching Prior: Test-Time Optimization for Dense Correspondence [37.492074298574664]
  入力対のイメージ上で、トレーニングされていないマッチングネットワークを最適化することで、画像ペア固有の先行情報をキャプチャできることを示す。 実験により、私たちのフレームワークはDeep Matching Prior (DMP)と呼ばれ、最新の学習ベースの手法に対して競争力があり、性能も優れています。
  論文  参考訳（メタデータ） (2021-06-06T10:56:01Z)
• How much progress have we made in neural network training? A New Evaluation Protocol for Benchmarking Optimizers [86.36020260204302]
  本稿では、エンドツーエンドの効率とデータ付加訓練の効率を評価するための新しいベンチマークプロトコルを提案する。 評価プロトコルは, ランダム探索よりも, 人間のチューニング行動とよく一致していることを示すために, 人間の実験を行った。 次に,提案したベンチマークフレームワークをコンピュータビジョン,自然言語処理,強化学習,グラフマイニングなどのタスクに適用する。
  論文  参考訳（メタデータ） (2020-10-19T21:46:39Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。