論文の概要: ConKeD++ -- Improving descriptor learning for retinal image registration: A comprehensive study of contrastive losses

• arxiv url: http://arxiv.org/abs/2404.16773v1
• Date: Thu, 25 Apr 2024 17:24:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 13:01:06.707482
• Title: ConKeD++ -- Improving descriptor learning for retinal image registration: A comprehensive study of contrastive losses
• Title（参考訳）: ConKeD++ -- 網膜画像登録のための記述子学習の改善:対照的な損失に関する包括的な研究
• Authors: David Rivas-Villar, Álvaro S. Hervella, José Rouco, Jorge Novo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.618504904743609
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Self-supervised contrastive learning has emerged as one of the most successful deep learning paradigms. In this regard, it has seen extensive use in image registration and, more recently, in the particular field of medical image registration. In this work, we propose to test and extend and improve a state-of-the-art framework for color fundus image registration, ConKeD. Using the ConKeD framework we test multiple loss functions, adapting them to the framework and the application domain. Furthermore, we evaluate our models using the standarized benchmark dataset FIRE as well as several datasets that have never been used before for color fundus registration, for which we are releasing the pairing data as well as a standardized evaluation approach. Our work demonstrates state-of-the-art performance across all datasets and metrics demonstrating several advantages over current SOTA color fundus registration methods
• Abstract（参考訳）: 自己指導型コントラスト学習は、最も成功したディープラーニングパラダイムの1つとして登場した。 この点において、画像登録や、最近では特定の医療画像登録の分野で広く利用されている。 本研究では,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,拡張,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。 さらに,本モデルでは,先行ベンチマークデータセットFIREとカラーファンドの登録に使用したことのないいくつかのデータセットを用いて評価を行った。 我々の研究は、現在のSOTAカラーファンドの登録方法に対するいくつかの利点を示すすべてのデータセットとメトリクスの最先端性能を示す。

関連論文リスト

• ConKeD: Multiview contrastive descriptor learning for keypoint-based retinal image registration [6.618504904743609]
  網膜画像登録のための記述子を学習するための新しい深層学習手法であるConKeDを提案する。 現在の登録方式とは対照的に,本手法では,新しい多正多負のコントラスト学習戦略を採用している。 本実験は, 新規多陽性多負戦略の利点を実証するものである。
  論文  参考訳（メタデータ） (2024-01-11T13:22:54Z)
• 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)
• 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)
• Deformable Image Registration using Neural ODEs [15.245085400790002]
  ニューラル常微分方程式(NODE)を利用した汎用的で高速かつ高精度な微分型画像登録フレームワークを提案する。 従来の最適化手法と比較して、我々のフレームワークは実行時間を数十分から数十秒に短縮する。 実験の結果, 提案手法の登録結果は, 各種測定値において, 最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-07T12:54:17Z)
• Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
  コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。 完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-24T15:00:47Z)
• Towards Unsupervised Sketch-based Image Retrieval [126.77787336692802]
  本稿では,教師なし表現学習とスケッチ写真領域アライメントを同時に行う新しいフレームワークを提案する。 このフレームワークは,新しい教師なし設定では優れた性能を達成し,ゼロショット設定では最先端以上の性能を発揮する。
  論文  参考訳（メタデータ） (2021-05-18T02:38:22Z)
• 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)
• INSPIRE: Intensity and Spatial Information-Based Deformable Image Registration [3.584984184069584]
  INSPIREは、変形可能な画像登録のためのトップパフォーマンス汎用方法です。 提案手法は, 精度が高く, 安定かつ頑健な登録結果を提供する。 また,脳の3次元画像の4つのベンチマークデータセットを用いて,2088対のペア登録を行った。
  論文  参考訳（メタデータ） (2020-12-14T01:51:59Z)
• Deep Group-wise Variational Diffeomorphic Image Registration [3.0022455491411653]
  本稿では,複数の画像の同時登録を可能にするために,現在の学習ベース画像登録を拡張することを提案する。 本稿では,複数の画像の粘性測地線平均への登録と,利用可能な画像のいずれかを固定画像として使用可能な登録を両立できる汎用的な数学的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-10-01T07:37:28Z)
• 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)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)

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。