Fugu-MT 論文翻訳(概要): Multi-environment lifelong deep reinforcement learning for medical imaging

論文の概要: Multi-environment lifelong deep reinforcement learning for medical imaging

arxiv url: http://arxiv.org/abs/2306.00188v1
Date: Wed, 31 May 2023 21:06:42 GMT
ステータス: 処理完了
システム内更新日: 2023-06-02 19:18:17.929219
Title: Multi-environment lifelong deep reinforcement learning for medical imaging
Title（参考訳）: 医療画像のための多環境生涯深部強化学習
Authors: Guangyao Zheng, Shuhao Lai, Vladimir Braverman, Michael A. Jacobs, Vishwa S. Parekh
Abstract要約: 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。
参考スコア（独自算出の注目度）: 11.339580074756189
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep reinforcement learning(DRL) is increasingly being explored in medical imaging. However, the environments for medical imaging tasks are constantly evolving in terms of imaging orientations, imaging sequences, and pathologies. To that end, we developed a Lifelong DRL framework, SERIL to continually learn new tasks in changing imaging environments without catastrophic forgetting. SERIL was developed using selective experience replay based lifelong learning technique for the localization of five anatomical landmarks in brain MRI on a sequence of twenty-four different imaging environments. The performance of SERIL, when compared to two baseline setups: MERT(multi-environment-best-case) and SERT(single-environment-worst-case) demonstrated excellent performance with an average distance of $9.90\pm7.35$ pixels from the desired landmark across all 120 tasks, compared to $10.29\pm9.07$ for MERT and $36.37\pm22.41$ for SERT($p<0.05$), demonstrating the excellent potential for continuously learning multiple tasks across dynamically changing imaging environments.
Abstract（参考訳）: 医用画像の深部強化学習(DRL)が研究されている。しかし, 医用画像処理の環境は, 画像の向き, 画像の配列, 病理の観点で常に進化している。そこで我々は,drlフレームワークであるserilを開発し,画像環境変更における新たなタスクを,破滅的な忘れを伴わず継続的に学習した。選択的経験リプレイに基づく生涯学習法を用いて脳mriにおける5つの解剖学的ランドマークの局在を24種類の異なる画像環境で解析した。 MERT(multi-environment-best-case)とSERT(single-environment-worst-case)の2つの基本設定と比較して、SERILの性能は、望まれる120タスクのランドマークから平均9.90\pm7.35$のピクセルで優れた性能を示し、MERTは10.29\pm9.07$、SERT($p<0.05$)は36.37\pm22.41$であった。

関連論文リスト

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)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis [9.724228319915609]
データ拡張(DA)は、データ不足を軽減するためにコンピュータビジョンで広く活用されている。医学画像解析(MIA)におけるDAは、複数の課題に直面している。我々はMedAugmentと呼ばれる効率的かつ効果的な自動DA手法を提案する。
論文参考訳（メタデータ） (2023-06-30T08:22:48Z)
On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文参考訳（メタデータ） (2023-06-23T03:09:03Z)
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)
M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文参考訳（メタデータ） (2023-03-20T06:26:49Z)
Multi PILOT: Learned Feasible Multiple Acquisition Trajectories for Dynamic MRI [0.7843343739054056]
本研究では,ダイナミックイメージング環境における獲得学習について考察する。複数のフレーム単位の取得軌跡の協調最適化のためのエンドツーエンドパイプラインを設計する。より短い取得時間で画像再構成精度を向上した。
論文参考訳（メタデータ） (2023-03-13T14:23:39Z)
Pretrained ViTs Yield Versatile Representations For Medical Images [4.443013185089128]
ヴィジュアルトランスフォーマー(ViT)はCNNの対抗馬として登場している。いくつかの標準的な2次元医用画像ベンチマークのデータセットとタスクについて、一連の実験を行った。以上の結果から,CNNはスクラッチからトレーニングすると性能が向上するが,ImageNetで事前トレーニングを行った場合,市販のビジョントランスフォーマーはCNNと同等に動作可能であることがわかった。
論文参考訳（メタデータ） (2023-03-13T11:53:40Z)
Selective experience replay compression using coresets for lifelong deep reinforcement learning in medical imaging [25.905231158434574]
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。
論文参考訳（メタデータ） (2023-02-22T17:27:03Z)
mc-BEiT: Multi-choice Discretization for Image BERT Pre-training [52.04866462439979]
Image BERT pre-training with masked image modeling (MIM)は、自己教師付き表現学習に対処する一般的な実践である。改良されたBERTスタイルの画像事前学習手法であるmc-BEiTを導入する。
論文参考訳（メタデータ） (2022-03-29T09:08:18Z)
MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。