論文の概要: HNAS-reg: hierarchical neural architecture search for deformable medical image registration

• arxiv url: http://arxiv.org/abs/2308.12440v1
• Date: Wed, 23 Aug 2023 21:47:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 16:04:18.883590
• Title: HNAS-reg: hierarchical neural architecture search for deformable medical image registration
• Title（参考訳）: HNAS-reg: 変形可能な医用画像登録のための階層型ニューラルネットワーク探索
• Authors: Jiong Wu and Yong Fan
• Abstract要約: 本稿では、変形可能な医用画像登録のための最適なネットワークアーキテクチャを特定するための階層型NASフレームワーク(HNAS-Reg)を提案する。 636T1重み付き磁気共鳴画像(MRI)からなる3つのデータセットに対する実験により,提案手法により,画像登録精度が向上し,モデルサイズが小さくなる深層学習モデルを構築することができることを示した。
• 参考スコア（独自算出の注目度）: 0.8249180979158817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNNs) have been widely used to build deep learning models for medical image registration, but manually designed network architectures are not necessarily optimal. This paper presents a hierarchical NAS framework (HNAS-Reg), consisting of both convolutional operation search and network topology search, to identify the optimal network architecture for deformable medical image registration. To mitigate the computational overhead and memory constraints, a partial channel strategy is utilized without losing optimization quality. Experiments on three datasets, consisting of 636 T1-weighted magnetic resonance images (MRIs), have demonstrated that the proposal method can build a deep learning model with improved image registration accuracy and reduced model size, compared with state-of-the-art image registration approaches, including one representative traditional approach and two unsupervised learning-based approaches.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、医用画像登録のためのディープラーニングモデルを構築するために広く使用されているが、手動設計のネットワークアーキテクチャは必ずしも最適ではない。 本稿では、畳み込み操作探索とネットワークトポロジ探索の両方からなる階層型NASフレームワーク(HNAS-Reg)について、変形可能な医用画像登録のための最適なネットワークアーキテクチャを同定する。 計算オーバーヘッドとメモリ制約を軽減するため、最適化品質を損なうことなく部分チャネル戦略を利用する。 636 t1重み付け磁気共鳴画像(mri)を用いた3つのデータセットの実験により、従来の1つの方法と2つの教師なし学習ベースアプローチを含む最先端画像登録アプローチと比較して、画像登録精度とモデルサイズを低減したディープラーニングモデルを構築することができることを実証した。

関連論文リスト

• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Automated Learning for Deformable Medical Image Registration by Jointly Optimizing Network Architectures and Objective Functions [69.6849409155959]
  本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。 マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。 我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2022-03-14T01:54:38Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Parkinson's Disease Detection with Ensemble Architectures based on ILSVRC Models [1.8884278918443564]
  磁気共鳴(MR)T1画像を用いたパーキンソン病の同定のためのニューラルネットワークアーキテクチャの検討 提案手法はすべてMR画像からPDを検出する既存の手法より優れており、最大95%の精度で検出できる。 我々の発見は、トレーニングデータがない、あるいは不十分な場合には、有望な方向を示唆している。
  論文  参考訳（メタデータ） (2020-07-23T05:40:47Z)
• Searching Learning Strategy with Reinforcement Learning for 3D Medical Image Segmentation [15.059891142682117]
  本稿では,強化学習を用いた最適学習戦略のための自動探索手法を提案する。 提案手法は,3次元医用画像分割の課題に対して有効である。
  論文  参考訳（メタデータ） (2020-06-10T14:24:06Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。