論文の概要: Dual Meta-Learning with Longitudinally Generalized Regularization for One-Shot Brain Tissue Segmentation Across the Human Lifespan

• arxiv url: http://arxiv.org/abs/2308.06774v1
• Date: Sun, 13 Aug 2023 14:02:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 15:25:20.298055
• Title: Dual Meta-Learning with Longitudinally Generalized Regularization for One-Shot Brain Tissue Segmentation Across the Human Lifespan
• Title（参考訳）: ヒト一撃脳組織分画における経時的一般化正規化による二重メタラーニング
• Authors: Yongheng Sun, Fan Wang, Jun Shu, Haifeng Wang, Li Wang. Deyu Meng, Chunfeng Lian
• Abstract要約: 本稿では,縦に一貫した表現を学習し,微調整時に継続するメタラーニングパラダイムを提案する。 具体的には,縦貫した解剖的表現を抽出するプラグアンドプレイ特徴抽出器を学習する。 iSeg 2019とADNIデータセットの実験結果から,本手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 30.57799149219082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain tissue segmentation is essential for neuroscience and clinical studies. However, segmentation on longitudinal data is challenging due to dynamic brain changes across the lifespan. Previous researches mainly focus on self-supervision with regularizations and will lose longitudinal generalization when fine-tuning on a specific age group. In this paper, we propose a dual meta-learning paradigm to learn longitudinally consistent representations and persist when fine-tuning. Specifically, we learn a plug-and-play feature extractor to extract longitudinal-consistent anatomical representations by meta-feature learning and a well-initialized task head for fine-tuning by meta-initialization learning. Besides, two class-aware regularizations are proposed to encourage longitudinal consistency. Experimental results on the iSeg2019 and ADNI datasets demonstrate the effectiveness of our method. Our code is available at https://github.com/ladderlab-xjtu/DuMeta.
• Abstract（参考訳）: 脳組織分割は神経科学と臨床研究に不可欠である。 しかし、縦断データのセグメンテーションは、生涯にわたる動的脳変化のために困難である。 従来の研究は主に正規化による自己監督に焦点が当てられ、特定の年齢層での微調整では縦方向の一般化が失われる。 本稿では,縦に一貫した表現を学習し,微調整時に持続するメタラーニングパラダイムを提案する。 具体的には,メタ機能学習による長手一貫性の解剖表現を抽出するプラグアンドプレイ特徴抽出器と,メタ初期化学習による微調整のためのタスクヘッドについて学習する。 また,2つのクラス認識規則化が提案されている。 iSeg2019とADNIデータセットの実験結果から,本手法の有効性が示された。 私たちのコードはhttps://github.com/ladderlab-xjtu/dumetaで利用可能です。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• MAP: Domain Generalization via Meta-Learning on Anatomy-Consistent Pseudo-Modalities [12.194439938007672]
  解剖学的に整合した擬似モダリティ(MAP)のメタラーニングを提案する。 MAPは構造的特徴を学習することでモデル一般化性を向上させる。 各種網膜画像モダリティの公開データセットを7つ評価した。
  論文  参考訳（メタデータ） (2023-09-03T22:56:22Z)
• Continual Learning for Abdominal Multi-Organ and Tumor Segmentation [15.983529525062938]
  本稿では,連続臓器と腫瘍のセグメンテーションに特化して設計されたイノベーティブなアーキテクチャを提案する。 提案する設計では,従来の出力層を軽量なクラス固有のヘッド群に置き換える。 これらのヘッドは、新しく導入され、以前に学習されたクラスの独立した予測を可能にし、古いクラスに対する新しいクラスの影響を効果的に最小化する。
  論文  参考訳（メタデータ） (2023-06-01T17:59:57Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Longitudinal detection of new MS lesions using Deep Learning [0.0]
  新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。 まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。 第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-16T16:09:04Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Self-Supervised Longitudinal Neighbourhood Embedding [13.633165258766418]
  縦横埋め込みという表現学習のための自己指導型戦略を提案する。 コントラスト学習の概念に動機づけられたLNEは、異なる対象の軌道ベクトル間の類似性を明示的にモデル化する。 2つのニューロイメージング研究の縦方向T1w MRIにLNEを適用します:274の健康な被験者からなるデータセットと、アルツハイマー病ニューロイメージングイニシアティブ。
  論文  参考訳（メタデータ） (2021-03-05T17:55:53Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Sparse Graphical Memory for Robust Planning [93.39298821537197]
  スパースメモリに状態と実現可能な遷移を格納する新しいデータ構造であるスパースグラフィカルメモリ(SGM)を導入する。 SGMは、ゴール条件付きRLに古典的状態集約基準を適用し、新しい双方向整合目標に従って状態を集約する。 本研究では, SGM が, 遠近法, スパース・リワード視覚ナビゲーションタスクにおいて, 最先端の工法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-13T17:59:32Z)

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。