論文の概要: Train smarter, not harder: learning deep abdominal CT registration on scarce data

• arxiv url: http://arxiv.org/abs/2211.15717v1
• Date: Mon, 28 Nov 2022 19:03:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 17:15:25.851885
• Title: Train smarter, not harder: learning deep abdominal CT registration on scarce data
• Title（参考訳）: より賢く、難しくない: 不足データから深部腹部ctの登録を学ぶ
• Authors: Javier P\'erez de Frutos, Andr\'e Pedersen, Egidijus Pelanis, David Bouget, Shanmugapriya Survarachakan, Thomas Lang{\o}, Ole-Jakob Elle, Frank Lindseth
• Abstract要約: 腹部画像における畳み込みニューラルネットワークによる画像-画像の登録を改善するためのトレーニング戦略について検討する。 訓練段階におけるセグメンテーションを用いた指導は、ディープラーニングに基づく画像登録に有用であることが証明された。 脳MRIデータセットから腹部CTデータセットまで、事前訓練されたモデルを微調整することで、パフォーマンスがさらに向上した。
• 参考スコア（独自算出の注目度）: 0.8179387741893692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: This study aims to explore training strategies to improve convolutional neural network-based image-to-image registration for abdominal imaging. Methods: Different training strategies, loss functions, and transfer learning schemes were considered. Furthermore, an augmentation layer which generates artificial training image pairs on-the-fly was proposed, in addition to a loss layer that enables dynamic loss weighting. Results: Guiding registration using segmentations in the training step proved beneficial for deep-learning-based image registration. Finetuning the pretrained model from the brain MRI dataset to the abdominal CT dataset further improved performance on the latter application, removing the need for a large dataset to yield satisfactory performance. Dynamic loss weighting also marginally improved performance, all without impacting inference runtime. Conclusion: Using simple concepts, we improved the performance of a commonly used deep image registration architecture, VoxelMorph. In future work, our framework, DDMR, should be validated on different datasets to further assess its value.
• Abstract（参考訳）: 目的:本研究の目的は,腹部画像の畳み込みニューラルネットワークに基づく画像から画像への登録を改善するための訓練戦略を検討することである。 方法: 異なる訓練戦略, 損失関数, 転校学習スキームを検討した。 さらに, 動的損失重み付けが可能な損失層に加えて, 実機で人工訓練画像対を生成する拡張層も提案した。 結果: 訓練段階におけるセグメンテーションを用いた登録指導は, 深層学習に基づく画像登録に有用であることが判明した。 脳MRIデータセットから腹部CTデータセットに事前トレーニングされたモデルを微調整することで、後者のアプリケーションのパフォーマンスがさらに向上した。 動的損失重み付けは、推論ランタイムに影響を与えることなく、パフォーマンスをわずかに改善した。 結論: 単純な概念を用いて, 一般的に使用される深層画像登録アーキテクチャvoxelmorphの性能を改善した。 今後の作業では、DDMRというフレームワークをさまざまなデータセットで検証して、その価値をさらに評価する必要があります。

関連論文リスト

• Enhancing pretraining efficiency for medical image segmentation via transferability metrics [0.0]
  医用画像のセグメンテーションタスクでは、ラベル付きトレーニングデータの不足が大きな課題となっている。 本稿では,事前学習したモデルが対象データをいかに頑健に表現できるかを計測する,対照的な学習に基づく新しい伝達可能性指標を提案する。
  論文  参考訳（メタデータ） (2024-10-24T12:11:52Z)
• 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)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Data augmentation for deep learning based accelerated MRI reconstruction with limited data [46.44703053411933]
  ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。 最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。 本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
  論文  参考訳（メタデータ） (2021-06-28T19:08:46Z)
• FDRN: A Fast Deformable Registration Network for Medical Images [3.3504365823045044]
  本稿では,高速な畳み込みニューラルネットワークを提案する。 FDRNは、コンパクトなネットワーク構造と効率的な学習により、既存の脳MR画像の最先端登録方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-04T14:09:51Z)
• 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)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。