論文の概要: On-the-Fly Guidance Training for Medical Image Registration
- arxiv url: http://arxiv.org/abs/2308.15216v4
- Date: Fri, 22 Dec 2023 10:06:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 18:20:23.341637
- Title: On-the-Fly Guidance Training for Medical Image Registration
- Title(参考訳): 医用画像登録のためのオンザフライ指導
- Authors: Yicheng Chen, Shengxiang Ji, Yuelin Xin, Kun Han, Xiaohui Xie
- Abstract要約: 本研究は,弱い教師付きおよび教師なしの手法に固有の制約に対処し,学習に基づく画像登録の領域における新たなアプローチを探求する。
本研究は,既存のモデルを強化するために,OFG(On-the-Fly Guidance)を用いたユニークなトレーニングフレームワークを提案する。
- 参考スコア(独自算出の注目度): 15.35199642275687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research explores a novel approach in the realm of learning-based image
registration, addressing the limitations inherent in weakly-supervised and
unsupervised methods. Weakly-supervised techniques depend heavily on scarce
labeled data, while unsupervised strategies rely on indirect measures of
accuracy through image similarity. Notably, traditional supervised learning is
not utilized due to the lack of precise deformation ground-truth in medical
imaging. Our study introduces a unique training framework with On-the-Fly
Guidance (OFG) to enhance existing models. This framework, during training,
generates pseudo-ground truth a few steps ahead by refining the current
deformation prediction with our custom optimizer. This pseudo-ground truth then
serves to directly supervise the model in a supervised learning context. The
process involves optimizing the predicted deformation with a limited number of
steps, ensuring training efficiency and setting achievable goals for each
training phase. OFG notably boosts the precision of existing image registration
techniques while maintaining the speed of learning-based methods. We assessed
our approach using various pseudo-ground truth generation strategies, including
predictions and optimized outputs from established registration models. Our
experiments spanned three benchmark datasets and three cutting-edge models,
with OFG demonstrating significant and consistent enhancements, surpassing
previous state-of-the-arts in the field. OFG offers an easily integrable
plug-and-play solution to enhance the training effectiveness of learning-based
image registration models. Code at
https://github.com/miraclefactory/on-the-fly-guidance.
- Abstract(参考訳): 本研究は,学習に基づく画像登録の分野において,弱い教師付きおよび教師なしの方法に固有の制限に対処した新しいアプローチを探求する。
弱教師付き手法は少ないラベル付きデータに大きく依存するが、教師なし戦略は画像類似性による間接的精度測定に依存する。
特に、従来の教師付き学習は、医療画像の正確な変形の欠如のために使われない。
本研究は,既存のモデルを強化するために,OFG(On-the-Fly Guidance)を用いたユニークなトレーニングフレームワークを提案する。
このフレームワークは、トレーニング中に、我々のカスタムオプティマイザで現在の変形予測を精査することで、数ステップ前に擬似地下真実を生成する。
この疑似基底真理は、教師付き学習コンテキストでモデルを直接監督するのに役立ちます。
このプロセスでは、予測変形を限られたステップで最適化し、トレーニング効率を確保し、各トレーニングフェーズの達成可能な目標を設定する。
OFGは、学習ベースの手法の速度を維持しながら、既存の画像登録技術の精度を著しく向上させる。
提案手法は,既定登録モデルからの予測や最適化アウトプットを含む様々な疑似根拠真理生成戦略を用いて評価した。
実験は3つのベンチマークデータセットと3つの最先端モデルにまたがって行われた。
OFGは、学習に基づく画像登録モデルのトレーニング効率を高めるために、容易に統合可能なプラグアンドプレイソリューションを提供する。
コード: https://github.com/miraclefactory/on-the-fly-guidance.com
関連論文リスト
- Self-Distillation for Further Pre-training of Transformers [83.84227016847096]
我々は、さらなる事前学習段階の正則化として自己蒸留を提案する。
画像およびテキスト分類タスクのための様々なベンチマークデータセットにおける自己蒸留の有効性を実証的に検証する。
論文 参考訳(メタデータ) (2022-09-30T02:25:12Z) - Imposing Consistency for Optical Flow Estimation [73.53204596544472]
プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。
本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
論文 参考訳(メタデータ) (2022-04-14T22:58:30Z) - Stochastic Planner-Actor-Critic for Unsupervised Deformable Image
Registration [33.72954116727303]
本稿では,大きく変形する医療画像の段階的登録を行う,新しい強化学習ベースのフレームワークを提案する。
本手法は2次元および3次元の医用画像データセットを用いて評価し,その一部は大きな変形を含む。
論文 参考訳(メタデータ) (2021-12-14T14:08:56Z) - Learning Rich Nearest Neighbor Representations from Self-supervised
Ensembles [60.97922557957857]
推論時間における勾配降下から直接表現を学習する新しい手法により、自己教師付きモデルアンサンブルを行うためのフレームワークを提供する。
この技術は、ドメイン内のデータセットと転送設定の両方において、k-nearestの隣人によって測定されるように、表現品質を改善する。
論文 参考訳(メタデータ) (2021-10-19T22:24:57Z) - Learning by Distillation: A Self-Supervised Learning Framework for
Optical Flow Estimation [71.76008290101214]
DistillFlowは光の流れを学ぶための知識蒸留手法である。
KITTIとSintelの両方のデータセット上で、最先端の教師なし学習性能を実現する。
我々のモデルは、KITTI 2015ベンチマークにおけるすべての単分子的手法の中で、第1位にランクされ、Sintel Finalベンチマークで発表されたすべてのメソッドよりも優れています。
論文 参考訳(メタデータ) (2021-06-08T09:13:34Z) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T02:27:55Z) - Deep Optimized Priors for 3D Shape Modeling and Reconstruction [38.79018852887249]
3Dモデリングと再構築のための新しい学習フレームワークを紹介します。
提案手法は,事前訓練によって制約された障壁を効果的に破壊することを示す。
論文 参考訳(メタデータ) (2020-12-14T03:56:31Z) - 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) - Deform-GAN:An Unsupervised Learning Model for Deformable Registration [4.030402376540977]
本稿では,教師なし学習を利用した3次元医用画像の非剛性登録手法を提案する。
提案した勾配損失は、大きな変形のためのシーケンスやモーダルにわたって頑健である。
トレーニング中は、接地や手動のラベリングは必要とされない。
論文 参考訳(メタデータ) (2020-02-26T12:20:46Z)
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。