論文の概要: Progressive DeepSSM: Training Methodology for Image-To-Shape Deep Models
- arxiv url: http://arxiv.org/abs/2310.01529v1
- Date: Mon, 2 Oct 2023 18:17:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 19:28:23.250387
- Title: Progressive DeepSSM: Training Methodology for Image-To-Shape Deep Models
- Title（参考訳）: プログレッシブディープSSM:画像と形状の深部モデルの訓練手法
- Authors: Abu Zahid Bin Aziz, Jadie Adams, Shireen Elhabian
- Abstract要約: 本稿では,画像から画像への深層学習モデルをトレーニングするための新しいトレーニング戦略であるプログレッシブディープSSMを提案する。
セグメンテーション誘導型マルチタスク学習を通じて形状先を活用でき、各スケールでの学習を確保するために深い監視損失を生かす。
実験は、定量的および定性的な観点から提案された戦略によって訓練されたモデルの優越性を示す。
- 参考スコア（独自算出の注目度）: 4.972323953932128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape modeling (SSM) is an enabling quantitative tool to study
anatomical shapes in various medical applications. However, directly using 3D
images in these applications still has a long way to go. Recent deep learning
methods have paved the way for reducing the substantial preprocessing steps to
construct SSMs directly from unsegmented images. Nevertheless, the performance
of these models is not up to the mark. Inspired by multiscale/multiresolution
learning, we propose a new training strategy, progressive DeepSSM, to train
image-to-shape deep learning models. The training is performed in multiple
scales, and each scale utilizes the output from the previous scale. This
strategy enables the model to learn coarse shape features in the first scales
and gradually learn detailed fine shape features in the later scales. We
leverage shape priors via segmentation-guided multi-task learning and employ
deep supervision loss to ensure learning at each scale. Experiments show the
superiority of models trained by the proposed strategy from both quantitative
and qualitative perspectives. This training methodology can be employed to
improve the stability and accuracy of any deep learning method for inferring
statistical representations of anatomies from medical images and can be adopted
by existing deep learning methods to improve model accuracy and training
stability.
- Abstract（参考訳）: 統計形状モデリング(SSM)は、様々な医学応用において解剖学的形状を研究するための定量的ツールである。
しかし、これらのアプリケーションで3dイメージを直接使うことは、まだまだ道のりは長い。
近年の深層学習手法は、未分割画像から直接SSMを構築するための実質的な前処理ステップを減らすための道を開いた。
しかし、これらのモデルの性能は目印には達していない。
マルチスケール・マルチレゾリューション学習に着想を得て,画像から形状へのディープラーニングモデルを学習するための新しいトレーニング戦略であるprogressive deepssmを提案する。
トレーニングは複数のスケールで行われ、各スケールは前のスケールからの出力を利用する。
この戦略により、モデルは最初のスケールで粗い形状の特徴を学習し、後のスケールで詳細な形状特徴を徐々に学習することができる。
セグメンテーション誘導型マルチタスク学習による形状事前の活用と,各スケールでの学習を確保するために,深い監視損失を用いる。
実験は、定量的および質的な観点から提案された戦略によって訓練されたモデルの優越性を示す。
医用画像から解剖学の統計的表現を推測する深層学習法の安定性と精度を向上させるため、既存の深層学習法を用いてモデルの精度とトレーニング安定性を向上させることができる。
関連論文リスト
- Exploring Learngene via Stage-wise Weight Sharing for Initializing Variable-sized Models [40.21274215353816]
本稿では,大規模な学習モデルから学習遺伝子と呼ばれる1つのコンパクトな部分を学習するLearngeneフレームワークを紹介する。
次に、対応するステージ情報を含むこれらの学習遺伝子層を拡張して、可変深さのモデルを初期化する。
ImageNet-1Kの実験では、SWSはスクラッチからトレーニングされた多くのモデルと比較して一貫したパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-04-25T06:04:34Z) - Learned Image resizing with efficient training (LRET) facilitates
improved performance of large-scale digital histopathology image
classification models [0.0]
組織学的検査は腫瘍学の研究と診断において重要な役割を担っている。
深層畳み込みニューラルネットワーク(DCNN)のトレーニングへの最近のアプローチは、最適下モデルの性能をもたらす。
本稿では,従来の病理組織学分類モデルトレーニングの主な限界に対処する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-01-19T23:45:47Z) - ADASSM: Adversarial Data Augmentation in Statistical Shape Models From
Images [0.8192907805418583]
本稿では,データ依存型ノイズ生成やテクスチャ拡張を利用して,画像間SSMフレームワークのオンザフライデータ拡張のための新しい戦略を提案する。
提案手法は,画素値のみに頼らず,基礎となる幾何学に焦点をあてることにより,精度の向上を実現する。
論文 参考訳（メタデータ） (2023-07-06T20:21:12Z) - Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。
具体的には、Webで収集したCoyo-700Mデータセットを利用する。
我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
論文 参考訳（メタデータ） (2023-05-24T15:33:46Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - DINOv2: Learning Robust Visual Features without Supervision [75.42921276202522]
この研究は、既存の事前学習手法、特に自己教師付き手法が、多様なソースから十分なキュレートされたデータで訓練すれば、そのような特徴を生み出すことができることを示している。
技術的な貢献の多くは、大規模なトレーニングを加速し、安定化することを目的としています。
データの観点からは、自己組織化されていないデータではなく、専用で多様でキュレートされた画像データセットを構築するための自動パイプラインを提案する。
論文 参考訳（メタデータ） (2023-04-14T15:12:19Z) - 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) - DeepSSM: A Blueprint for Image-to-Shape Deep Learning Models [4.608133071225539]
統計的形状モデリング(SSM)は、医学画像から生成される形状の個体群における解剖学的変異を特徴付ける。
DeepSSMは、ディープラーニングベースのイメージ・トゥ・シェイプモデルのための青写真を提供することを目指している。
論文 参考訳（メタデータ） (2021-10-14T04:52:37Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。
我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。
我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
論文 参考訳（メタデータ） (2020-08-16T13:38:41Z) - 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。