論文の概要: Incremental Learning for Heterogeneous Structure Segmentation in Brain
Tumor MRI
- arxiv url: http://arxiv.org/abs/2305.19404v1
- Date: Tue, 30 May 2023 20:39:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 19:39:16.461546
- Title: Incremental Learning for Heterogeneous Structure Segmentation in Brain
Tumor MRI
- Title（参考訳）: 脳腫瘍mriにおける異種構造分割のためのインクリメンタル学習
- Authors: Xiaofeng Liu, Helen A. Shih, Fangxu Xing, Emiliano Santarnecchi,
Georges El Fakhri, Jonghye Woo
- Abstract要約: 本稿では,従来のタスクと新しいタスクを分離するために,バランスの取れた剛性と可塑性分岐を有する分散型二重フローモジュールを提案する。
標的領域を連続的に変化させる脳腫瘍セグメンテーションタスクの枠組みについて検討した。
- 参考スコア（独自算出の注目度）: 11.314017805825685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning (DL) models for segmenting various anatomical structures have
achieved great success via a static DL model that is trained in a single source
domain. Yet, the static DL model is likely to perform poorly in a continually
evolving environment, requiring appropriate model updates. In an incremental
learning setting, we would expect that well-trained static models are updated,
following continually evolving target domain data -- e.g., additional lesions
or structures of interest -- collected from different sites, without
catastrophic forgetting. This, however, poses challenges, due to distribution
shifts, additional structures not seen during the initial model training, and
the absence of training data in a source domain. To address these challenges,
in this work, we seek to progressively evolve an ``off-the-shelf" trained
segmentation model to diverse datasets with additional anatomical categories in
a unified manner. Specifically, we first propose a divergence-aware dual-flow
module with balanced rigidity and plasticity branches to decouple old and new
tasks, which is guided by continuous batch renormalization. Then, a
complementary pseudo-label training scheme with self-entropy regularized
momentum MixUp decay is developed for adaptive network optimization. We
evaluated our framework on a brain tumor segmentation task with continually
changing target domains -- i.e., new MRI scanners/modalities with incremental
structures. Our framework was able to well retain the discriminability of
previously learned structures, hence enabling the realistic life-long
segmentation model extension along with the widespread accumulation of big
medical data.
- Abstract（参考訳）: 様々な解剖構造をセグメント化するためのディープラーニング(DL)モデルは、単一のソースドメインでトレーニングされた静的DLモデルを通じて大きな成功を収めた。
しかし、静的DLモデルは継続的に進化する環境ではパフォーマンスが悪く、適切なモデル更新が必要である。
漸進的な学習環境では、よく訓練された静的モデルが更新されることを期待します。
しかし、これは分散シフト、初期モデルのトレーニング中に見られない構造の追加、ソースドメインでのトレーニングデータの欠如といった問題を引き起こす。
これらの課題に対処するため、本研究では、‘off-the-shelf’訓練されたセグメンテーションモデルを、統一された方法で追加の解剖学的カテゴリを持つ多様なデータセットに段階的に進化させようとする。
具体的には、まず、従来のタスクと新しいタスクを分離するために、バランスの取れた剛性と可塑性分岐を持つ分散型二重フローモジュールを提案する。
そして,適応ネットワーク最適化のために,自己エントロピー正規化運動量混合崩壊を伴う擬似ラベル学習方式を開発した。
対象領域を継続的に変化させる脳腫瘍セグメンテーションタスク、すなわちインクリメンタルな構造を持つ新しいMRIスキャナー/モダリティの枠組みについて検討した。
我々のフレームワークは,事前学習した構造物の識別性を良好に保ち,大規模医療データの蓄積とともに,実時間長寿命セグメンテーションモデル拡張を可能にした。
関連論文リスト
- Low-Rank Continual Pyramid Vision Transformer: Incrementally Segment Whole-Body Organs in CT with Light-Weighted Adaptation [10.746776960260297]
軽量低ランク適応 (LoRA) を用いた新しい連続体器官分割モデルを提案する。
まず、最初のタスクでピラミッドビジョントランスフォーマー(PVT)ベースセグメンテーションモデルをトレーニングし、その後、新しい学習タスク毎に凍結モデルに軽量でトレーニング可能なLoRAパラメータを継続的に追加する。
提案モデルでは, 破滅的忘れを伴わず, 低パラメータ増加率を維持しながら, 新しい臓器を連続的に分割する。
論文 参考訳（メタデータ） (2024-10-07T02:00:13Z) - LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。
我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。
LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
論文 参考訳（メタデータ） (2024-09-29T03:56:21Z) - Advancing Brain Imaging Analysis Step-by-step via Progressive Self-paced Learning [0.5840945370755134]
適応型・進行型ペーシング・蒸留機構を応用したPSPD(Progressive Self-Paced Distillation)フレームワークを提案する。
我々は、アルツハイマー病神経画像イニシアチブ(ADNI)データセットを用いて、様々な畳み込みニューラルネットワークにおけるPSPDの有効性と適応性を検証する。
論文 参考訳（メタデータ） (2024-07-23T02:26:04Z) - Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [113.89327264634984]
FSCIL(Few-shot class-incremental Learning)は、最小限のトレーニングサンプルを持つモデルに新しいクラスを統合するという課題に直面している。
従来の手法では、固定パラメータ空間に依存する静的適応を広く採用し、逐次到着するデータから学習する。
本稿では、動的適応のための中間特徴に基づいてプロジェクションパラメータを動的に調整する2つの選択型SSMプロジェクタを提案する。
論文 参考訳（メタデータ） (2024-07-08T17:09:39Z) - Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical
Image Segmentation [18.830738606514736]
本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。
特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。
複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
論文 参考訳（メタデータ） (2023-06-06T08:56:58Z) - Learning to Augment via Implicit Differentiation for Domain
Generalization [107.9666735637355]
ドメイン一般化(DG)は、複数のソースドメインを活用してドメイン一般化可能なモデルを学ぶことで、この問題を克服することを目的としている。
本稿では,AugLearnと呼ばれる新しい拡張型DG手法を提案する。
AugLearnは、PACS、Office-Home、Digits-DGの3つの標準DGベンチマークで効果を示す。
論文 参考訳（メタデータ） (2022-10-25T18:51:51Z) - DST: Dynamic Substitute Training for Data-free Black-box Attack [79.61601742693713]
そこで本研究では,対象モデルからより高速に学習するための代用モデルの促進を目的とした,新しい動的代用トレーニング攻撃手法を提案する。
タスク駆動型グラフに基づく構造情報学習の制約を導入し、生成したトレーニングデータの質を向上させる。
論文 参考訳（メタデータ） (2022-04-03T02:29:11Z) - Addressing catastrophic forgetting for medical domain expansion [9.720534481714953]
モデル脆性は、ディープラーニングモデルを現実世界の医療環境にデプロイする際に重要な関心事です。
ある機関で高い性能を持つモデルは、他の機関での試験で性能が著しく低下する可能性がある。
バッチ正規化統計の変調と組み合わせ、弾力性のある重量統合に基づく破滅的な忘れ物対策手法を開発しています。
論文 参考訳（メタデータ） (2021-03-24T22:33:38Z) - The unreasonable effectiveness of Batch-Norm statistics in addressing
catastrophic forgetting across medical institutions [8.244654685687054]
モデル改良と事前学習した知識の保持のトレードオフについて検討する。
本稿では,従来のデータセットのグローバルバッチ正規化統計値を用いて,弾性重み付け(EWC)を適応する,単純で効果的な手法を提案する。
論文 参考訳（メタデータ） (2020-11-16T16:57:05Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳（メタデータ） (2020-07-13T17:44:30Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z)
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。