論文の概要: Test Time Training for 4D Medical Image Interpolation

• arxiv url: http://arxiv.org/abs/2502.02341v1
• Date: Tue, 04 Feb 2025 14:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:37.787457
• Title: Test Time Training for 4D Medical Image Interpolation
• Title（参考訳）: 4次元医用画像補間のための試験時間トレーニング
• Authors: Qikang Zhang, Yingjie Lei, Zihao Zheng, Ziyang Chen, Zhonghao Xie,
• Abstract要約: 本稿では,ラベルを必要とせず,自己監督を用いて新たな分布にモデルを適応させる新しいテストタイムトレーニングフレームワークを提案する。 利用可能な2つの4D医療画像データセット、Cardiacと4D-Lungについて実験を行った。
• 参考スコア（独自算出の注目度）: 7.850323784869965
• License:
• Abstract: 4D medical image interpolation is essential for improving temporal resolution and diagnostic precision in clinical applications. Previous works ignore the problem of distribution shifts, resulting in poor generalization under different distribution. A natural solution would be to adapt the model to a new test distribution, but this cannot be done if the test input comes without a ground truth label. In this paper, we propose a novel test time training framework which uses self-supervision to adapt the model to a new distribution without requiring any labels. Indeed, before performing frame interpolation on each test video, the model is trained on the same instance using a self-supervised task, such as rotation prediction or image reconstruction. We conduct experiments on two publicly available 4D medical image interpolation datasets, Cardiac and 4D-Lung. The experimental results show that the proposed method achieves significant performance across various evaluation metrics on both datasets. It achieves higher peak signal-to-noise ratio values, 33.73dB on Cardiac and 34.02dB on 4D-Lung. Our method not only advances 4D medical image interpolation but also provides a template for domain adaptation in other fields such as image segmentation and image registration.
• Abstract（参考訳）: 4次元医用画像補間は、臨床応用における時間分解能と診断精度の向上に不可欠である。 従来の研究は分布シフトの問題を無視し、異なる分布の下での一般化が不十分な結果となった。 自然な解決策は、モデルを新しいテスト分布に適応させることだろうが、テスト入力が基礎となる真理ラベルなしで来ると、これはできない。 本稿では,ラベルを必要とせず,自己スーパービジョンを用いて新たな分布にモデルを適応させる新しいテストタイムトレーニングフレームワークを提案する。 実際、各テストビデオでフレーム補間を行う前に、モデルは回転予測や画像再構成などの自己監督タスクを使用して、同じインスタンス上で訓練される。 医用4D画像補間データセットであるCardiacと4D-Lungについて実験を行った。 実験結果から,提案手法は両データセットの各種評価指標に対して有意な性能を示すことがわかった。 4D-Lungでは33.73dB、4D-Lungでは34.02dBとなる。 本手法は,4次元医用画像補間だけでなく,画像分割や画像登録など他の分野の領域適応のためのテンプレートも提供する。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Data-Efficient Unsupervised Interpolation Without Any Intermediate Frame for 4D Medical Images [30.503516093226438]
  4次元医用画像は、時間情報を持つ3次元画像を表す。 UVI-Netは、中間フレームを必要とせずに、一時的なデータセットを容易にするフレームワークである。
  論文  参考訳（メタデータ） (2024-04-01T20:25:04Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Medical Image Segmentation with InTEnt: Integrated Entropy Weighting for Single Image Test-Time Adaptation [6.964589353845092]
  テスト時間適応(TTA)とは、テスト中にトレーニングされたモデルを新しいドメインに適応させることである。 そこで本研究では,単一の未ラベルテスト画像のみを用いて,医用画像分割モデルを適用することを提案する。 提案手法は, 平均2.9%のDice係数で, 3つの医用画像データセットにまたがる24のソース/ターゲット領域に分割して検証した。
  論文  参考訳（メタデータ） (2024-02-14T22:26:07Z)
• Each Test Image Deserves A Specific Prompt: Continual Test-Time Adaptation for 2D Medical Image Segmentation [14.71883381837561]
  ドメイン間の分散シフトは、実世界のアプリケーションに事前訓練されたセマンティックセグメンテーションモデルをデプロイする上で重要な障害である。 テスト時間適応は、推論中にドメイン間の分布シフトに取り組むのに有効であることが証明されている。 本稿では,各テスト画像に対する特定のプロンプトをトレーニングし,バッチ正規化レイヤの統計値を調整するために,Visual Prompt-based Test-Time Adaptation (VPTTA)法を提案する。
  論文  参考訳（メタデータ） (2023-11-30T09:03:47Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Implicit field learning for unsupervised anomaly detection in medical images [0.8122270502556374]
  オートデコーダフィードフォワードニューラルネットワークは、組織型のプロキシ上の空間座標と確率の間のマッピングという形で、健康な画像の分布を学習する。 回復画像のモデルにより予測されたボクセル的確率を用いて,異常の局所化を行う。 脳MR画像におけるグリオーマの非教師的局在化の課題に対して,本手法を検証し,他のVAEによる異常検出法と比較した。
  論文  参考訳（メタデータ） (2021-06-09T16:57:22Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)
• 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。