Fugu-MT 論文翻訳(概要): uniGradICON: A Foundation Model for Medical Image Registration

論文の概要: uniGradICON: A Foundation Model for Medical Image Registration

arxiv url: http://arxiv.org/abs/2403.05780v1
Date: Sat, 9 Mar 2024 03:26:35 GMT
ステータス: 処理完了
システム内更新日: 2024-03-13 12:34:45.320698
Title: uniGradICON: A Foundation Model for Medical Image Registration
Title（参考訳）: uniGradICON: 医用画像登録のための基礎モデル
Authors: Lin Tian, Hastings Greer, Roland Kwitt, Francois-Xavier Vialard, Raul San Jose Estepar, Sylvain Bouix, Richard Rushmore, Marc Niethammer
Abstract要約: 登録のための基盤モデルに向けた第一歩として,uniGradICONを提案する。 12種類の公開データセットでUniGradICONを広範囲にトレーニングし,評価した。
参考スコア（独自算出の注目度）: 17.23463407622614
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Conventional medical image registration approaches directly optimize over the parameters of a transformation model. These approaches have been highly successful and are used generically for registrations of different anatomical regions. Recent deep registration networks are incredibly fast and accurate but are only trained for specific tasks. Hence, they are no longer generic registration approaches. We therefore propose uniGradICON, a first step toward a foundation model for registration providing 1) great performance \emph{across} multiple datasets which is not feasible for current learning-based registration methods, 2) zero-shot capabilities for new registration tasks suitable for different acquisitions, anatomical regions, and modalities compared to the training dataset, and 3) a strong initialization for finetuning on out-of-distribution registration tasks. UniGradICON unifies the speed and accuracy benefits of learning-based registration algorithms with the generic applicability of conventional non-deep-learning approaches. We extensively trained and evaluated uniGradICON on twelve different public datasets. Our code and the uniGradICON model are available at https://github.com/uncbiag/uniGradICON.
Abstract（参考訳）: 従来の医療画像登録アプローチは、変換モデルのパラメータを直接最適化する。これらのアプローチは非常に成功しており、様々な解剖学的領域の登録に一般的に用いられている。最近のディープ登録ネットワークは驚くほど高速で正確だが、特定のタスクのためにのみ訓練されている。したがって、それらはもはや一般的な登録アプローチではない。そこで我々は、登録提供の基礎モデルに向けた第一歩であるuniGradICONを提案する。 1)現在の学習に基づく登録手法では実現不可能な,高性能な複数データセットのemph{across} 2 訓練データセットと比較して、異なる取得、解剖学的領域、モダリティに適した新規登録タスクのゼロショット機能及び 3) 配布外登録タスクの微調整のための強力な初期化。 UniGradICONは、学習に基づく登録アルゴリズムの速度と精度の利点を、従来の非深層学習アプローチの汎用的適用性と統合する。 12種類の公開データセットでUniGradICONを広範囲にトレーニングし評価した。私たちのコードとuniGradICONモデルはhttps://github.com/uncbiag/uniGradICONで利用可能です。

関連論文リスト

multiGradICON: A Foundation Model for Multimodal Medical Image Registration [15.174094859157288]
We developed multiGradICON as a first step to universal *multimodal* medical image registration。 1)モノモーダル*および*マルチモーダル登録に適したDL登録モデルをトレーニングし,2)損失関数のランダム化によりマルチモーダル登録精度が向上し,3)マルチモーダルデータを用いたモデルトレーニングがマルチモーダル一般化に役立つことを示す。
論文参考訳（メタデータ） (2024-08-01T01:23:02Z)
ConKeD++ -- Improving descriptor learning for retinal image registration: A comprehensive study of contrastive losses [6.618504904743609]
本稿では,カラーファンドイメージ登録のための最先端フレームワークであるConKeDの試験と改良を提案する。 ConKeDフレームワークを使用して、複数の損失関数をテストし、フレームワークとアプリケーションドメインに適応します。私たちの研究は、すべてのデータセットとメトリクスにわたる最先端のパフォーマンスを示しています。
論文参考訳（メタデータ） (2024-04-25T17:24:35Z)
DISA: DIfferentiable Similarity Approximation for Universal Multimodal Registration [39.44133108254786]
表現力のあるクロスモーダル記述子を作成するための汎用フレームワークを提案する。私たちは、小さな畳み込みニューラルネットワークの特徴空間において、既存のメトリクスをドット積で近似することで、これを実現する。本手法は局所的なパッチベースの指標よりも数桁高速であり,臨床現場で直接適用することができる。
論文参考訳（メタデータ） (2023-07-19T12:12:17Z)
Non-iterative Coarse-to-fine Transformer Networks for Joint Affine and Deformable Image Registration [10.994223928445589]
画像登録のための非Iterative Coarse-to-finE Transformer Network (NICE-Trans)を提案する。我々のNICE-Transは、単一のネットワーク内で結合アフィンと変形可能な粗粒度登録を行う最初のディープ登録方法である。
論文参考訳（メタデータ） (2023-07-07T07:07:42Z)
Unsupervised 3D registration through optimization-guided cyclical self-training [71.75057371518093]
最先端のディープラーニングベースの登録方法は、3つの異なる学習戦略を採用している。本稿では,教師なし登録のための自己指導型学習パラダイムを提案する。腹部, 肺の登録方法の評価を行い, 測定基準に基づく監督を一貫して上回り, 最先端の競争相手よりも優れていた。
論文参考訳（メタデータ） (2023-06-29T14:54:10Z)
GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文参考訳（メタデータ） (2023-06-26T13:32:09Z)
Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文参考訳（メタデータ） (2022-07-01T12:16:42Z)
DAFormer: Improving Network Architectures and Training Strategies for Domain-Adaptive Semantic Segmentation [99.88539409432916]
教師なしドメイン適応(UDA)プロセスについて検討する。ベンチマーク結果に基づいて,新しい UDA 手法である DAFormer を提案する。 DAFormerは,GTA->Cityscapesの10.8 mIoU,Synthia->Cityscapesの5.4 mIoUにより,最先端の性能を大幅に向上させる。
論文参考訳（メタデータ） (2021-11-29T19:00:46Z)
A Meta-Learning Approach for Medical Image Registration [6.518615946009265]
グラデーションベースのメタラーニングフレームワークと統合した,新しい教師なし登録モデルを提案する。実験の結果,提案モデルでは,精度とトレーニング時間の観点から,性能が有意に向上した。
論文参考訳（メタデータ） (2021-04-21T10:27:05Z)
Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文参考訳（メタデータ） (2020-12-29T23:43:16Z)
Deep learning based registration using spatial gradients and noisy segmentation labels [52.78503776563559]
ディープラーニングベースのアプローチは、高速かつ実行可能な登録戦略を提供することで、非常に人気を博しました。我々の研究は(i)対称な定式化に依存し、ソースからターゲットへの変換とターゲットからソースへの変換を同時に予測し、訓練された表現を類似させる。本手法では,タスク3では0.64ドル,テスト4では0.85ドルの平均ダイスを報告し,3位となった。
論文参考訳（メタデータ） (2020-10-21T11:08:45Z)

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。