論文の概要: Automatic Cranial Defect Reconstruction with Self-Supervised Deep Deformable Masked Autoencoders
- arxiv url: http://arxiv.org/abs/2404.13106v2
- Date: Mon, 3 Jun 2024 10:44:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-04 15:18:10.861480
- Title: Automatic Cranial Defect Reconstruction with Self-Supervised Deep Deformable Masked Autoencoders
- Title（参考訳）: 自己監督型Deep Deformable Masked Autoencodersを用いた頭蓋欠損自動再建
- Authors: Marek Wodzinski, Daria Hemmerling, Mateusz Daniol,
- Abstract要約: 毎年何千人もの人が頭蓋骨の損傷を負っています。再建手術の前にデザインと製造が必要なパーソナライズされたインプラントが必要です。
この問題は容積形状の完備化として定式化することができ、教師付きイメージセグメンテーション専用のディープニューラルネットワークによって解決される。
本研究では,この問題を解決するために自己教師付きマスク付きオートエンコーダを用いる方法を提案する。
- 参考スコア（独自算出の注目度）: 0.12301374769426145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thousands of people suffer from cranial injuries every year. They require personalized implants that need to be designed and manufactured before the reconstruction surgery. The manual design is expensive and time-consuming leading to searching for algorithms whose goal is to automatize the process. The problem can be formulated as volumetric shape completion and solved by deep neural networks dedicated to supervised image segmentation. However, such an approach requires annotating the ground-truth defects which is costly and time-consuming. Usually, the process is replaced with synthetic defect generation. However, even the synthetic ground-truth generation is time-consuming and limits the data heterogeneity, thus the deep models' generalizability. In our work, we propose an alternative and simple approach to use a self-supervised masked autoencoder to solve the problem. This approach by design increases the heterogeneity of the training set and can be seen as a form of data augmentation. We compare the proposed method with several state-of-the-art deep neural networks and show both the quantitative and qualitative improvement on the SkullBreak and SkullFix datasets. The proposed method can be used to efficiently reconstruct the cranial defects in real time.
- Abstract（参考訳）: 毎年何千人もの人が頭蓋骨の怪我を負っている。
再建手術前に設計・製造する必要があるパーソナライズされたインプラントが必要である。
手動設計は高価で時間を要するため、プロセスの自動化を目標とするアルゴリズムの検索に繋がる。
この問題は容積形状の完備化として定式化することができ、教師付きイメージセグメンテーション専用のディープニューラルネットワークによって解決される。
しかし、このようなアプローチには、コストと時間を要する地道的な欠陥に注釈を付ける必要がある。
通常、プロセスは合成欠陥生成に置き換えられる。
しかし、合成地下構造生成でさえ時間がかかり、データの不均一性を制限しているため、深層モデルの一般化性は低下する。
本研究では,この問題を解決するために自己教師付きマスク付きオートエンコーダを用いる方法を提案する。
このアプローチはトレーニングセットの不均一性を高め、データ拡張の一形態と見なすことができる。
提案手法を最先端の深層ニューラルネットワークと比較し,SkullBreakデータセットとSkullFixデータセットの定量的および定性的な改善点を示す。
提案手法は,脳の欠陥をリアルタイムに再現するために有効である。
関連論文リスト
- TSynD: Targeted Synthetic Data Generation for Enhanced Medical Image Classification [0.011037620731410175]
この研究は、生成モデルを誘導し、高い不確実性でデータを合成することを目的としている。
最適化プロセスによりオートエンコーダの特徴空間を変更する。
我々は,複数の分類タスクに対するテスト時間データ拡張と敵攻撃に対する堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-06-25T11:38:46Z) - Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models [0.2911706166691895]
この研究は、パーソナライズされた頭蓋インプラントの自動モデリングにおける人工知能の分野に多大な貢献をしている。
重データの増大が定量的および定性的な結果の両方を著しく増加させることを示す。
また, 人工的に拡張したネットワークは, 実際の臨床的欠陥を再構築することに成功した。
論文 参考訳（メタデータ） (2024-06-10T15:34:23Z) - Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳（メタデータ） (2024-03-25T17:40:32Z) - Deep Generative Networks for Heterogeneous Augmentation of Cranial
Defects [0.15720523553334917]
我々は、互換性のある欠陥のある数十万の欠陥頭蓋骨を生成することができることを示した。
生成された頭蓋骨は、実際の医療に対するパーソナライズされた頭蓋インプラントの自動設計を改善する可能性がある。
論文 参考訳（メタデータ） (2023-08-09T11:29:16Z) - High-Resolution Cranial Defect Reconstruction by Iterative, Low-Resolution, Point Cloud Completion Transformers [0.11260580067718602]
自動頭蓋欠損再建の問題は、形状完了タスクとして定式化することができる。
任意の解像度で頭蓋欠損を再構築するための反復的変圧器に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-08-07T10:39:23Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - Deep Learning-based Framework for Automatic Cranial Defect
Reconstruction and Implant Modeling [0.2020478014317493]
本研究の目的は、頭蓋骨欠損の再建とインプラントのモデリングを行うための、頑健で、高速で、完全に自動化された手法を提案することである。
本稿では,修正U-Netアーキテクチャを用いた2段階の深層学習手法を提案する。
次に, 3Dプリンティングが可能なモデルの自動生成に続いて, インプラント形状を改善するための専用反復手順を提案する。
論文 参考訳（メタデータ） (2022-04-13T11:33:26Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳（メタデータ） (2021-10-13T21:51:56Z) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳（メタデータ） (2021-05-29T21:22:24Z) - Anytime Sampling for Autoregressive Models via Ordered Autoencoding [88.01906682843618]
自動回帰モデルは画像生成や音声生成などのタスクに広く使われている。
これらのモデルのサンプリングプロセスは割り込みを許さず、リアルタイムの計算資源に適応できない。
いつでもサンプリングできる新しい自動回帰モデルファミリーを提案します。
論文 参考訳（メタデータ） (2021-02-23T05:13:16Z)
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。