論文の概要: Geometric Visual Similarity Learning in 3D Medical Image Self-supervised
Pre-training
- arxiv url: http://arxiv.org/abs/2303.00874v1
- Date: Thu, 2 Mar 2023 00:21:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 16:35:32.096204
- Title: Geometric Visual Similarity Learning in 3D Medical Image Self-supervised
Pre-training
- Title（参考訳）: 3次元医用画像自己教師付き事前学習における幾何学的視覚類似性学習
- Authors: Yuting He, Guanyu Yang, Rongjun Ge, Yang Chen, Jean-Louis Coatrieux,
Boyu Wang, Shuo Li
- Abstract要約: 画像間の類似性を学ぶことは、3D医療画像の自己教師付き事前トレーニングに不可欠である。
本稿では,新しい視覚類似学習パラダイムである幾何学的視覚類似学習を提案する。
実験により,画像間類似性学習による事前学習により,より強力な内部シーン,シーン間,グローバルな局所移動能力が得られることが示された。
- 参考スコア（独自算出の注目度）: 13.069894581477385
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Learning inter-image similarity is crucial for 3D medical images
self-supervised pre-training, due to their sharing of numerous same semantic
regions. However, the lack of the semantic prior in metrics and the
semantic-independent variation in 3D medical images make it challenging to get
a reliable measurement for the inter-image similarity, hindering the learning
of consistent representation for same semantics. We investigate the challenging
problem of this task, i.e., learning a consistent representation between images
for a clustering effect of same semantic features. We propose a novel visual
similarity learning paradigm, Geometric Visual Similarity Learning, which
embeds the prior of topological invariance into the measurement of the
inter-image similarity for consistent representation of semantic regions. To
drive this paradigm, we further construct a novel geometric matching head, the
Z-matching head, to collaboratively learn the global and local similarity of
semantic regions, guiding the efficient representation learning for different
scale-level inter-image semantic features. Our experiments demonstrate that the
pre-training with our learning of inter-image similarity yields more powerful
inner-scene, inter-scene, and global-local transferring ability on four
challenging 3D medical image tasks. Our codes and pre-trained models will be
publicly available on https://github.com/YutingHe-list/GVSL.
- Abstract（参考訳）: 画像間の類似性を学ぶことは、3d医療画像の自己教師付き事前学習に不可欠である。
しかし,3次元医用画像におけるセマンティック先行の欠如とセマンティック非依存の変動は,画像間の類似性について信頼性の高い測定を行うことを難しくし,同じセマンティックスに対する一貫した表現の学習を妨げる。
本稿では,同一意味的特徴のクラスタリング効果に対する画像間の一貫した表現の学習という課題について検討する。
本稿では,画像間の類似度の測定に位相不変性の先行を組み込んだ新しい視覚類似性学習パラダイム,幾何視覚類似性学習を提案する。
このパラダイムを推し進めるために、新たな幾何マッチングヘッドであるZマッチングヘッドを構築し、意味領域のグローバルおよび局所的な類似性を協調的に学習し、異なるスケールレベルの画像間セマンティック特徴に対する効率的な表現学習を導く。
画像間類似性の学習による事前学習は, より強力な内部シーン, シーン間, グローバルな局所移動能力を, 挑戦的な4つの3次元医用画像タスクにもたらすことを実証した。
私たちのコードと事前トレーニングされたモデルはhttps://github.com/YutingHe-list/GVSL.comで公開されます。
関連論文リスト
- Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。
我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
論文 参考訳（メタデータ） (2024-09-13T10:19:10Z) - Doppelgangers: Learning to Disambiguate Images of Similar Structures [76.61267007774089]
幻像マッチングは、人間が区別することは困難であり、3D再構成アルゴリズムに誤った結果をもたらす可能性がある。
本稿では,視覚的曖昧化に対する学習に基づくアプローチを提案し,イメージペア上でのバイナリ分類タスクとして定式化する。
本手法は, 難易度の高い画像の一致を識別し, SfMパイプラインに統合することにより, 正確な3次元再構成を実現できることを示す。
論文 参考訳（メタデータ） (2023-09-05T17:50:36Z) - CHORUS: Learning Canonicalized 3D Human-Object Spatial Relations from
Unbounded Synthesized Images [10.4286198282079]
本研究では,3次元における多種多様な物体間相互作用の空間的共通感覚を理解し,モデル化する手法を提案する。
我々は、人間が同じ種類の物体と対話するとき、異なる視点から撮影した複数の2D画像を示す。
実画像よりも画質が不完全であるにもかかわらず、合成画像は3次元的対象空間関係を学習するのに十分であることを示す。
論文 参考訳（メタデータ） (2023-08-23T17:59:11Z) - Anatomical Invariance Modeling and Semantic Alignment for
Self-supervised Learning in 3D Medical Image Analysis [6.87667643104543]
自己教師付き学習(SSL)は、最近、3D医療画像解析タスクで有望なパフォーマンスを達成した。
現在のほとんどの手法は、元々写真や自然画像用に設計された既存のSSLパラダイムに従っている。
我々は,解剖的不変性モデリングと意味的アライメントを明確に満たす,自己教師付き学習フレームワークAliceを提案する。
論文 参考訳（メタデータ） (2023-02-11T06:36:20Z) - Prediction of Geometric Transformation on Cardiac MRI via Convolutional
Neural Network [13.01021780124613]
画像に適用される幾何学的変換を認識するために,ConvNetsを訓練して医用画像の特徴を学習することを提案する。
幾何学的変換を容易に予測できる簡単な自己教師型タスクを提案する。
論文 参考訳（メタデータ） (2022-11-12T11:29:14Z) - Learning an Adaptation Function to Assess Image Visual Similarities [0.0]
ここでは、類推が重要となるとき、視覚的イメージ類似性を学ぶための特定のタスクに焦点を当てる。
本稿では,異なるスケールとコンテンツデータセットで事前学習した,教師付き,半教師付き,自己教師型ネットワークの比較を提案する。
The Totally Looks Like Image dataset conducted on the Totally Looks Like image highlight the interest of our method, by increase the search scores of the best model @1 by 2.25x。
論文 参考訳（メタデータ） (2022-06-03T07:15:00Z) - Self-Supervised Image Representation Learning with Geometric Set
Consistency [50.12720780102395]
本稿では,3次元幾何整合性に基づく自己教師付き画像表現学習法を提案する。
具体的には、画像ビュー内の特徴整合性を強化するために、コントラスト学習フレームワークに3次元幾何学的整合性を導入する。
論文 参考訳（メタデータ） (2022-03-29T08:57:33Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳（メタデータ） (2022-03-07T19:02:26Z) - Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。
画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
論文 参考訳（メタデータ） (2021-09-22T18:34:14Z) - Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。
オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。
提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
論文 参考訳（メタデータ） (2020-07-03T21:53:46Z)
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。