論文の概要: Toward Universal Medical Image Registration via Sharpness-Aware Meta-Continual Learning

• arxiv url: http://arxiv.org/abs/2406.17575v1
• Date: Tue, 25 Jun 2024 14:15:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 14:10:33.473473
• Title: Toward Universal Medical Image Registration via Sharpness-Aware Meta-Continual Learning
• Title（参考訳）: シャープネスを意識したメタコンチネンタル学習による医用画像の普遍的登録に向けて
• Authors: Bomin Wang, Xinzhe Luo, Xiahai Zhuang,
• Abstract要約: ユニバーサル医療画像登録は、幅広い臨床関連タスクを同時に行うことを目的としている。 本稿では,連続的な学習手法を提案することによって,逐次学習シナリオにおける普遍的な3次元医用画像登録の目標を達成するための最初の試みを示す。 脳MRI,腹部CT,肺CT,腹部MRI-CT画像ペアなど,連続的な学習環境下での4つのデータセットに対する本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 19.94203947864252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current deep learning approaches in medical image registration usually face the challenges of distribution shift and data collection, hindering real-world deployment. In contrast, universal medical image registration aims to perform registration on a wide range of clinically relevant tasks simultaneously, thus having tremendous potential for clinical applications. In this paper, we present the first attempt to achieve the goal of universal 3D medical image registration in sequential learning scenarios by proposing a continual learning method. Specifically, we utilize meta-learning with experience replay to mitigating the problem of catastrophic forgetting. To promote the generalizability of meta-continual learning, we further propose sharpness-aware meta-continual learning (SAMCL). We validate the effectiveness of our method on four datasets in a continual learning setup, including brain MR, abdomen CT, lung CT, and abdomen MR-CT image pairs. Results have shown the potential of SAMCL in realizing universal image registration, which performs better than or on par with vanilla sequential or centralized multi-task training strategies.The source code will be available from https://github.com/xzluo97/Continual-Reg.
• Abstract（参考訳）: 医療画像登録における現在のディープラーニングアプローチは、通常、分散シフトとデータ収集の課題に直面し、現実世界のデプロイメントを妨げる。 対照的に、普遍的な医用画像登録は、幅広い臨床関連タスクを同時に行うことを目的としており、臨床応用に大きな可能性を秘めている。 本稿では,連続的な学習手法を提案することによって,逐次学習シナリオにおける普遍的な3次元医用画像登録の目標を達成するための最初の試みを示す。 具体的には,メタラーニングと経験リプレイを併用して,破滅的な忘れ込みの問題を緩和する。 さらに,メタコンチネンタル学習の一般化を促進するために,シャープネス対応メタコンチネンタル学習(SAMCL)を提案する。 脳MRI,腹部CT,肺CT,腹部MRI-CT画像ペアなど,連続的な学習環境下での4つのデータセットに対する本手法の有効性を検証した。 結果はSAMCLの普遍的なイメージ登録の実現の可能性を示しており、これはバニラシーケンシャルまたは集中型マルチタスクトレーニング戦略と同等あるいは同等である。ソースコードはhttps://github.com/xzluo97/Continual-Regから入手できる。

関連論文リスト

• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• Self-Sampling Meta SAM: Enhancing Few-shot Medical Image Segmentation with Meta-Learning [17.386754270460273]
  数ショットの医用画像分割のための自己サンプリングメタSAMフレームワークを提案する。 提案手法は,数発のセグメンテーションにおいて最先端の手法よりも大幅に向上する。 そこで本研究では,対話型画像分割における高速なオンライン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:20:48Z)
• Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
  我々は,CT画像からの多視点椎体局在と同定を提案する。 本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。 本手法は,多視点グローバル情報を自然に学習することができる。
  論文  参考訳（メタデータ） (2023-07-24T14:43:07Z)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Training Like a Medical Resident: Context-Prior Learning Toward Universal Medical Image Segmentation [38.61227663176952]
  医用画像理解基盤モデルの構築を目的としたパラダイムであるユニバーサル・メディカルイメージ・セグメンテーションへのシフトを提案する。 医用画像セグメンテーションにおけるデータの異質性やアノテーションの違いに対処する新しい文脈優先学習手法であるHermesを開発した。
  論文  参考訳（メタデータ） (2023-06-04T17:39:08Z)
• Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
  モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。 本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。 本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
  論文  参考訳（メタデータ） (2022-03-07T12:54:33Z)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。