論文の概要: Distribution-Aware Replay for Continual MRI Segmentation

• arxiv url: http://arxiv.org/abs/2407.21216v1
• Date: Tue, 30 Jul 2024 21:59:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 19:14:52.987490
• Title: Distribution-Aware Replay for Continual MRI Segmentation
• Title（参考訳）: 連続MRI分割のための分布認識リプレイ
• Authors: Nick Lemke, Camila González, Anirban Mukhopadhyay, Martin Mundt,
• Abstract要約: 本稿では,機能の自動エンコーディングによる忘れを緩和する分散対応リプレイ戦略を提案する。 海馬と前立腺MRIのセグメンテーションにおける経験的コロンボレーションについて検討した。
• 参考スコア（独自算出の注目度）: 6.3591338382188916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image distributions shift constantly due to changes in patient population and discrepancies in image acquisition. These distribution changes result in performance deterioration; deterioration that continual learning aims to alleviate. However, only adaptation with data rehearsal strategies yields practically desirable performance for medical image segmentation. Such rehearsal violates patient privacy and, as most continual learning approaches, overlooks unexpected changes from out-of-distribution instances. To transcend both of these challenges, we introduce a distribution-aware replay strategy that mitigates forgetting through auto-encoding of features, while simultaneously leveraging the learned distribution of features to detect model failure. We provide empirical corroboration on hippocampus and prostate MRI segmentation.
• Abstract（参考訳）: 医用画像の分布は、画像取得における患者数の変化と不一致により、常に変化している。 これらの分布の変化は性能の劣化をもたらし、継続的な学習がもたらす劣化は緩和される。 しかし, 医用画像のセグメンテーションにおいて, データリハーサル戦略にのみ適応することで, 実用的に望ましい性能が得られる。 このようなリハーサルは患者のプライバシーを侵害し、ほとんどの継続的な学習アプローチは、アウト・オブ・ディストリビューションのインスタンスから予期せぬ変化を見落としている。 両課題を克服するために,機能の自動エンコーディングによる忘れを軽減し,同時に学習した機能の分散を利用してモデル故障を検出する分散対応リプレイ戦略を導入する。 海馬と前立腺MRIのセグメンテーションにおける経験的コロンボレーションについて検討した。

関連論文リスト

• Adaptive Aggregation Weights for Federated Segmentation of Pancreas MRI [5.631060921219683]
  フェデレートラーニング(FL)は、機密データを共有することなく、機関間で協調的なモデルトレーニングを可能にする。 フェデレート平均化(FedAvg)のような従来のFLメソッドは、ドメイン間の一般化において困難に直面している。 本稿では適応的なアグリゲーション重みを取り入れた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-29T20:53:01Z)
• Mind the Gap: Promoting Missing Modality Brain Tumor Segmentation with Alignment [21.571977754383518]
  多発性磁気共鳴画像(MRI)による脳腫瘍の分節 臨床ではMRIの特定のモダリティが欠如している可能性があるため、さらに困難なシナリオが提示される。 本稿では,係わるモダリティの潜在的特徴を適切に定義された分布アンカーに整合させる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-09-28T14:37:42Z)
• MedMAP: Promoting Incomplete Multi-modal Brain Tumor Segmentation with Alignment [20.358300924109162]
  臨床ではMRIの特定のモダリティが欠如している可能性があるため、より困難なシナリオが提示される。 知識蒸留、ドメイン適応、共有潜在空間は一般的に有望な戦略として現れている。 本稿では,事前学習モデルの置換として,係わるモダリティの潜在的特徴を適切に定義された分布アンカーに整合させる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-08-18T13:16:30Z)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Self-Supervised Few-Shot Learning for Ischemic Stroke Lesion Segmentation [8.668715385199889]
  トレーニング中に1つの注記標本のみを用いて,虚血性病変の分節に対する数発のセグメンテーション法を提案する。 我々はComputd Tomography Perfusion scanから生成されたカラーコードパラメトリックマップを利用する。 注記1例につき平均Diceスコア0.58が虚血性病変の分節に対して達成される。
  論文  参考訳（メタデータ） (2023-03-02T15:10:08Z)
• Segmentation Consistency Training: Out-of-Distribution Generalization for Medical Image Segmentation [2.0978389798793873]
  一般化可能性(Generalizability)は、特に医用画像の領域において、ディープラーニングにおける大きな課題の1つと見なされている。 本稿では,データ拡張の代替として,一貫性トレーニング(Consistency Training)を導入する。 一貫性トレーニングは、いくつかのアウト・オブ・ディストリビューションデータセットにおいて、従来のデータ拡張よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T20:57:15Z)
• 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)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。