論文の概要: Image To Tree with Recursive Prompting

• arxiv url: http://arxiv.org/abs/2301.00447v1
• Date: Sun, 1 Jan 2023 17:35:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 14:17:03.460874
• Title: Image To Tree with Recursive Prompting
• Title（参考訳）: 再帰的プロンプトによる木へのイメージ
• Authors: James Batten, Matthew Sinclair, Ben Glocker, Michiel Schaap
• Abstract要約: 本稿では,各ステップの最適化問題としてタスクを再構成する,ツリー接続構造を予測するための新しい手法を提案する。 提案手法は,一対の合成データセット上で有意な結果が得られ,最短パスベースラインよりも優れる。
• 参考スコア（独自算出の注目度）: 16.56278942191951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting complex structures from grid-based data is a common key step in automated medical image analysis. The conventional solution to recovering tree-structured geometries typically involves computing the minimal cost path through intermediate representations derived from segmentation masks. However, this methodology has significant limitations in the context of projective imaging of tree-structured 3D anatomical data such as coronary arteries, since there are often overlapping branches in the 2D projection. In this work, we propose a novel approach to predicting tree connectivity structure which reformulates the task as an optimization problem over individual steps of a recursive process. We design and train a two-stage model which leverages the UNet and Transformer architectures and introduces an image-based prompting technique. Our proposed method achieves compelling results on a pair of synthetic datasets, and outperforms a shortest-path baseline.
• Abstract（参考訳）: グリッドベースのデータから複雑な構造を抽出することは、自動化された医療画像解析における一般的なステップである。 従来の木構造ジオメトリの回収には、セグメンテーションマスクから派生した中間表現を通して最小コストパスを計算することが一般的である。 しかし,2次元射影には重複する枝が多いため,冠状動脈などの3次元解剖学的データの投影的画像化の文脈において,この手法は大きな制限がある。 本研究では,再帰的プロセスの個々のステップに対する最適化問題としてタスクを再構成する,ツリー接続構造を予測する新しい手法を提案する。 UNetとTransformerアーキテクチャを活用する2段階モデルの設計と訓練を行い、画像ベースのプロンプト技術を導入する。 提案手法は,一対の合成データセット上で有意な結果が得られ,最短パスベースラインよりも優れる。

関連論文リスト

• Large Spatial Model: End-to-end Unposed Images to Semantic 3D [79.94479633598102]
  大空間モデル(LSM)は、RGB画像を直接意味的放射場に処理する。 LSMは、単一のフィードフォワード操作における幾何学、外観、意味を同時に推定する。 新しい視点で言語と対話することで、多目的ラベルマップを生成することができる。
  論文  参考訳（メタデータ） (2024-10-24T17:54:42Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• A training-free recursive multiresolution framework for diffeomorphic deformable image registration [6.929709872589039]
  変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。 提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。 システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
  論文  参考訳（メタデータ） (2022-02-01T15:17:17Z)
• RIM-Net: Recursive Implicit Fields for Unsupervised Learning of Hierarchical Shape Structures [18.5420635041504]
  RIM-Netは階層構造の教師なし推論のための暗黙の場を学習するニューラルネットワークである。 RIM-Netによる階層構造推論の品質,一貫性,解釈可能性を示す。
  論文  参考訳（メタデータ） (2022-01-30T09:31:24Z)
• Hierarchical clustering: visualization, feature importance and model selection [4.017760528208122]
  本稿では,デンドログラムによって提供されるマルチレゾリューション構造を完全に利用する階層クラスタリングの解析手法を提案する。 提案手法の背後にある重要な洞察は、デンドログラムを系統学として見ることである。 実データとシミュレートされたデータセットは、提案したフレームワークが望ましい結果をもたらす証拠となる。
  論文  参考訳（メタデータ） (2021-11-30T20:38:17Z)
• TopNet: Topology Preserving Metric Learning for Vessel Tree Reconstruction and Labelling [22.53041565779104]
  本稿では,容器木再構築のための新しいディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、同時に、血管中心線(すなわちノード)上のボクセルを検出するタスクを解決し、再建すべきツリー構造における中心ボクセル(エッジ)間の接続性を推定する。 パブリックIRCADデータセットの徹底的な評価は,提案手法が既存のセマンティックセグメンテーション法よりもかなり優れていることを示している。
  論文  参考訳（メタデータ） (2020-09-18T07:55:58Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• 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)
• Segmentation and Recovery of Superquadric Models using Convolutional Neural Networks [2.454342521577328]
  畳み込みニューラルネットワーク(CNN)を中心に構築された(二段階)アプローチを提案する。 第1段階では,提案手法はMask RCNNモデルを用いて,深度シーンにおける超クワッドリックな構造を同定する。 我々は、少数の解釈可能なパラメータを持つ複雑な構造を記述することができる。
  論文  参考訳（メタデータ） (2020-01-28T18:17:48Z)

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。