Fugu-MT 論文翻訳(概要): DRMC: A Generalist Model with Dynamic Routing for Multi-Center PET Image Synthesis

論文の概要: DRMC: A Generalist Model with Dynamic Routing for Multi-Center PET Image Synthesis

arxiv url: http://arxiv.org/abs/2307.05249v1
Date: Tue, 11 Jul 2023 13:29:37 GMT
ステータス: 処理完了
システム内更新日: 2023-07-12 14:53:39.819829
Title: DRMC: A Generalist Model with Dynamic Routing for Multi-Center PET Image Synthesis
Title（参考訳）: DRMC:マルチセンターPET画像合成のための動的ルーティング付きジェネリストモデル
Authors: Zhiwen Yang and Yang Zhou and Hui Zhang and Bingzheng Wei and Yubo Fan and Yan Xu
Abstract要約: 多心ポジトロンエミッショントモグラフィ(PET)画像合成は、複数の中心から低線量PET画像を取得することを目的としている。既存の手法の一般化可能性はまだ、ドメインシフトによるマルチセンター研究に最適である。異なる中心から異なる専門家にデータをルーティングする層間接続による新しい動的ルーティング戦略を導入する。
参考スコア（独自算出の注目度）: 8.994699392301492
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Multi-center positron emission tomography (PET) image synthesis aims at recovering low-dose PET images from multiple different centers. The generalizability of existing methods can still be suboptimal for a multi-center study due to domain shifts, which result from non-identical data distribution among centers with different imaging systems/protocols. While some approaches address domain shifts by training specialized models for each center, they are parameter inefficient and do not well exploit the shared knowledge across centers. To address this, we develop a generalist model that shares architecture and parameters across centers to utilize the shared knowledge. However, the generalist model can suffer from the center interference issue, \textit{i.e.} the gradient directions of different centers can be inconsistent or even opposite owing to the non-identical data distribution. To mitigate such interference, we introduce a novel dynamic routing strategy with cross-layer connections that routes data from different centers to different experts. Experiments show that our generalist model with dynamic routing (DRMC) exhibits excellent generalizability across centers. Code and data are available at: https://github.com/Yaziwel/Multi-Center-PET-Image-Synthesis.
Abstract（参考訳）: 多心ポジトロンエミッショントモグラフィ(PET)画像合成は、複数の中心から低線量PET画像を取得することを目的としている。既存の手法の一般化性は、異なるイメージングシステム/プロトコールを持つセンター間での非同一データ分布による、ドメインシフトによるマルチセンタ研究に依然として最適である。特定のモデルを各センターで訓練することでドメインシフトに対処するアプローチもあるが、パラメータ非効率であり、センター間で共有される知識を十分に活用していない。これを解決するために,共有知識を利用するために,センター間でアーキテクチャとパラメータを共有する汎用モデルを開発した。しかし、ジェネラリストモデルは中心干渉問題に悩まされうる、すなわち、異なる中心の勾配方向は、非同一データ分布のため、矛盾する、あるいは反対である。このような干渉を軽減するために、異なるセンターから異なる専門家にデータをルーティングする層間接続による新しい動的ルーティング戦略を導入する。実験により, 動的ルーティング(DRMC)を用いた一般化モデルでは, センター間において優れた一般化性が示された。コードとデータは、https://github.com/Yaziwel/Multi-Center-PET-Image-Synthesisで入手できる。

関連論文リスト

Decentralized Transformers with Centralized Aggregation are Sample-Efficient Multi-Agent World Models [106.94827590977337]
本稿では,分散化された局所力学を拡張性のために学習するマルチエージェントRL(MARL)の新たな世界モデルを提案する。また、集中表現アグリゲーションを可能にする効果的なソリューションとしてPerceiver Transformerを導入する。 Starcraft Multi-Agent Challenge (SMAC) の結果は、サンプル効率と全体的な性能の両方において、強力なモデルフリーアプローチと既存のモデルベース手法よりも優れていることを示している。
論文参考訳（メタデータ） (2024-06-22T12:40:03Z)
Disaggregated Multi-Tower: Topology-aware Modeling Technique for Efficient Large-Scale Recommendation [19.863632295599892]
Disaggregated Multi-Tower (DMT) は、モノリシックなグローバルな埋め込みルックアッププロセスを非接合塔に分解するモデリング手法である。 DMTは最先端のベースラインに比べて最大1.9倍のスピードアップを達成することができる。
論文参考訳（メタデータ） (2024-03-01T08:26:44Z)
Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文参考訳（メタデータ） (2023-10-22T02:27:02Z)
DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
論文参考訳（メタデータ） (2023-09-01T01:01:13Z)
Visual Recognition with Deep Nearest Centroids [57.35144702563746]
我々は、概念的にエレガントで驚くほど効果的な大規模視覚認識ネットワークである深部セントロイド(DNC)を考案した。パラメトリックと比較すると、DNCは画像分類(CIFAR-10, ImageNet)に優れ、画像認識(ADE20K, Cityscapes)を大いに起動する。
論文参考訳（メタデータ） (2022-09-15T15:47:31Z)
Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing [71.19528222206088]
顔解析のための周期的自己統制型デカップリング型マルチタスク学習を提案する。具体的には、DML-CSRは、顔解析、バイナリエッジ、カテゴリエッジ検出を含むマルチタスクモデルを設計する。提案手法は,Helen,CelebA-HQ,LapaMaskのデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-03-28T02:12:30Z)
Causality-inspired Single-source Domain Generalization for Medical Image Segmentation [12.697945585457441]
合成ドメインシフトトレーニング例にセグメンテーションモデルを公開するための簡単なデータ拡張手法を提案する。具体的には,1)画像強度とテクスチャの相違に頑健な深層モデルを実現するために,ランダムに重み付けされた浅層ネットワーク群を用いる。我々は、ネットワークが予測を行うためのドメイン固有の手がかりとして捉えうる画像内のオブジェクト間の急激な相関を取り除き、未知のドメインに分解する可能性がある。
論文参考訳（メタデータ） (2021-11-24T14:45:17Z)
Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文参考訳（メタデータ） (2021-06-08T00:30:43Z)
Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI [0.8858288982748155]
複数の臨床センターやスキャナーベンダーからの画像間でのドメイン転送の課題と機会について検討する。本研究では、nnU-netフレームワークによって構成された固定されたU-Netアーキテクチャに基づいて、様々なデータ拡張手法とバッチ正規化層について検討する。
論文参考訳（メタデータ） (2020-11-15T17:50:23Z)
Decentralized Deep Learning using Momentum-Accelerated Consensus [15.333413663982874]
複数のエージェントが協調して分散データセットから学習する分散ディープラーニングの問題を考える。本稿では,エージェントが固定された通信トポロジ上で対話する分散ディープラーニングアルゴリズムを提案し,解析する。本アルゴリズムは,勾配に基づくプロトコルで用いられるヘビーボール加速度法に基づく。
論文参考訳（メタデータ） (2020-10-21T17:39:52Z)
A Generalized Multi-Task Learning Approach to Stereo DSM Filtering in Urban Areas [5.908471365011942]
都市のモデルと高さマップは、災害管理や都市計画といった多くの応用のための貴重なデータ源となっている。既存のアプローチを一般化したフレームワークに統合するモジュール型マルチタスク学習の概念を提案する。本手法は, 定量的, 定性的に, 共通データ上での手法の状態を常に上回り, 独立研究領域の新しいデータセットによく当てはまる。
論文参考訳（メタデータ） (2020-04-06T08:54:22Z)

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。