論文の概要: Selective experience replay compression using coresets for lifelong deep
reinforcement learning in medical imaging
- arxiv url: http://arxiv.org/abs/2302.11510v4
- Date: Thu, 30 Mar 2023 15:00:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 17:04:26.526738
- Title: Selective experience replay compression using coresets for lifelong deep
reinforcement learning in medical imaging
- Title（参考訳）: 医用画像の深部強化学習におけるコアセットを用いた選択的リプレイ圧縮
- Authors: Guangyao Zheng, Samson Zhou, Vladimir Braverman, Michael A. Jacobs,
Vishwa S. Parekh
- Abstract要約: 選択経験リプレイは、生涯学習と深い強化学習を統合するための一般的な戦略である。
本稿では,選択的な経験リプレイ用に格納された経験リプレイバッファを圧縮するための報酬分布非依存コアセット圧縮手法を提案する。
その結果,コアセットをベースとしたERB圧縮法が,性能の大幅な低下を伴わずに,経験を圧縮できる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 17.726843542790153
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Selective experience replay is a popular strategy for integrating lifelong
learning with deep reinforcement learning. Selective experience replay aims to
recount selected experiences from previous tasks to avoid catastrophic
forgetting. Furthermore, selective experience replay based techniques are model
agnostic and allow experiences to be shared across different models. However,
storing experiences from all previous tasks make lifelong learning using
selective experience replay computationally very expensive and impractical as
the number of tasks increase. To that end, we propose a reward
distribution-preserving coreset compression technique for compressing
experience replay buffers stored for selective experience replay.
We evaluated the coreset compression technique on the brain tumor
segmentation (BRATS) dataset for the task of ventricle localization and on the
whole-body MRI for localization of left knee cap, left kidney, right
trochanter, left lung, and spleen. The coreset lifelong learning models trained
on a sequence of 10 different brain MR imaging environments demonstrated
excellent performance localizing the ventricle with a mean pixel error distance
of 12.93 for the compression ratio of 10x. In comparison, the conventional
lifelong learning model localized the ventricle with a mean pixel distance of
10.87. Similarly, the coreset lifelong learning models trained on whole-body
MRI demonstrated no significant difference (p=0.28) between the 10x compressed
coreset lifelong learning models and conventional lifelong learning models for
all the landmarks. The mean pixel distance for the 10x compressed models across
all the landmarks was 25.30, compared to 19.24 for the conventional lifelong
learning models. Our results demonstrate that the potential of the
coreset-based ERB compression method for compressing experiences without a
significant drop in performance.
- Abstract（参考訳）: 選択経験リプレイは、生涯学習と深層強化学習を統合するための一般的な戦略である。
Selective Experience Replayは、過去のタスクから選択した経験をリカウントして、破滅的な忘れ物を避けることを目的としている。
さらに、選択的なエクスペリエンスリプレイベースのテクニックはモデル非依存であり、さまざまなモデル間でエクスペリエンスを共有することができる。
しかしながら、これまでのすべてのタスクからの経験を格納することで、選択的な経験を用いた生涯学習は、タスク数の増加に伴って計算コストが非常に高く非現実的になる。
そこで我々は,選択的なエクスペリエンス再生のためのバッファを圧縮する,報酬分布保存コアセット圧縮手法を提案する。
左膝蓋,左腎,右転子,左肺,脾臓の局所化を目的として,脳腫瘍セグメント化(BRATS)データセットのコアセット圧縮技術の評価を行った。
10種類の異なる脳MR画像環境でトレーニングしたコアセット寿命学習モデルでは,10倍の圧縮率で平均画素誤差距離12.93の心室局所化性能が良好であった。
一方、従来の生涯学習モデルは、平均画素距離10.87の心室を局所化した。
同様に、全身mriで訓練されたcoreset生涯学習モデルは、10倍の圧縮コアセット生涯学習モデルと従来の生涯学習モデルとの間に有意差(p=0.28)を示さなかった。
圧縮された10xモデルの平均ピクセル距離は25.30であり、従来の生涯学習モデルでは19.24である。
その結果,coresetベースのerb圧縮方式が,性能低下を伴わずに圧縮できる可能性が示唆された。
関連論文リスト
- Vascular Segmentation of Functional Ultrasound Images using Deep Learning [0.0]
機能的超音波(fUS)画像のための,最初のディープラーニングベースセグメンテーションツールを紹介する。
競合セグメンテーション性能を90%の精度で達成し、71%の堅牢性と0.59のIUをfUSスタックから100フレームの時間フレームで実現した。
この研究は、ローカライゼーション顕微鏡に代わる非侵襲的で費用効果の高い代替手段を提供し、fUSデータの解釈を強化し、血管機能の理解を改善している。
論文 参考訳（メタデータ） (2024-10-28T09:00:28Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint
Detection and Invariant Description for Endoscopy [83.4885991036141]
RIDEは回転同変検出と不変記述のための学習に基づく手法である。
内視鏡画像の大規模なキュレーションを自己指導的に行う。
マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
論文 参考訳（メタデータ） (2023-09-18T08:16:30Z) - A framework for dynamically training and adapting deep reinforcement
learning models to different, low-compute, and continuously changing
radiology deployment environments [11.339580074756189]
医用画像の圧縮・復調のための3つの画像コアセットアルゴリズムを開発した。
3つのコアセットはいずれも27倍圧縮され、5つの解剖学的ランドマークのローカライズに優れていた。
論文 参考訳（メタデータ） (2023-06-08T15:59:31Z) - Multi-environment lifelong deep reinforcement learning for medical
imaging [11.339580074756189]
生涯DRLフレームワークであるSERILは、破滅的な忘れをすることなく、画像環境の変化における新しいタスクを継続的に学習するために開発された。
SERILは、脳MRIにおける5つの解剖学的ランドマークの局在化のために、選択的経験リプレイに基づく生涯学習技術を用いて開発された。
論文 参考訳（メタデータ） (2023-05-31T21:06:42Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical
Scene Segmentation with Limited Annotations [72.15956198507281]
シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。
本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
論文 参考訳（メタデータ） (2022-07-20T05:42:19Z) - Differentiable Microscopy for Content and Task Aware Compressive
Fluorescence Imaging [0.0]
スループットと画質のトレードオフは、顕微鏡に固有の課題である。
ディープラーニングに基づく手法は、圧縮と画質において大きな成功を収めた。
本稿では, 可微分圧縮蛍光顕微鏡を提案する。
論文 参考訳（メタデータ） (2022-03-28T17:53:10Z) - SynthStrip: Skull-Stripping for Any Brain Image [7.846209440615028]
我々は,学習に基づく迅速な脳抽出ツールであるSynthStripを紹介した。
解剖学的セグメンテーションを活用することで、SynthStripは、解剖学、強度分布、および医療画像の現実的な範囲をはるかに超える人工的なトレーニングデータセットを生成する。
一般的な頭蓋骨切断ベースラインよりも精度が大幅に向上した。
論文 参考訳（メタデータ） (2022-03-18T14:08:20Z) - Perceptual Learned Video Compression with Recurrent Conditional GAN [158.0726042755]
本稿では, PVC (Perceptual Learned Video Compression) アプローチを提案する。
PLVCは低ビットレートで映像を知覚品質に圧縮することを学ぶ。
ユーザスタディでは、最新の学習ビデオ圧縮手法と比較して、PLVCの優れた知覚性能をさらに検証している。
論文 参考訳（メタデータ） (2021-09-07T13:36:57Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z)
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。