論文の概要: Unsupervised training of keypoint-agnostic descriptors for flexible retinal image registration

• arxiv url: http://arxiv.org/abs/2505.02787v1
• Date: Mon, 05 May 2025 17:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.748814
• Title: Unsupervised training of keypoint-agnostic descriptors for flexible retinal image registration
• Title（参考訳）: フレキシブル網膜画像登録のためのキーポイント非依存的記述子の教師なし訓練
• Authors: David Rivas-Villar, Álvaro S. Hervella, José Rouco, Jorge Novo,
• Abstract要約: 我々はキーポイント検出に依存しない新しい教師なし記述子学習法を開発した。 これにより、結果として生じるディスクリプタネットワークは、登録推論中に使用されるキーポイント検出器に非依存となる。 提案手法は, 教師付き手法と比較して, 性能損失を発生させることなく, 正確な登録を行うことを示す。
• 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: Current color fundus image registration approaches are limited, among other things, by the lack of labeled data, which is even more significant in the medical domain, motivating the use of unsupervised learning. Therefore, in this work, we develop a novel unsupervised descriptor learning method that does not rely on keypoint detection. This enables the resulting descriptor network to be agnostic to the keypoint detector used during the registration inference. To validate this approach, we perform an extensive and comprehensive comparison on the reference public retinal image registration dataset. Additionally, we test our method with multiple keypoint detectors of varied nature, even proposing some novel ones. Our results demonstrate that the proposed approach offers accurate registration, not incurring in any performance loss versus supervised methods. Additionally, it demonstrates accurate performance regardless of the keypoint detector used. Thus, this work represents a notable step towards leveraging unsupervised learning in the medical domain.
• Abstract（参考訳）: 現在のカラーファンドス画像登録アプローチは、医学領域においてさらに重要なラベル付きデータの欠如によって制限されており、教師なし学習の利用を動機付けている。 そこで本研究では,キーポイント検出に依存しない新しい教師なし記述子学習法を開発した。 これにより、結果として生じるディスクリプタネットワークは、登録推論中に使用されるキーポイント検出器に非依存となる。 本手法の有効性を検証するため, 参照網膜画像登録データセットについて, 広範かつ包括的な比較を行った。 さらに,本手法を様々な性質を持つ複数のキーポイント検出器を用いて実験し,新しい手法を提案する。 提案手法は, 教師付き手法と比較して, 性能損失を発生させることなく, 正確な登録を行うことを示す。 さらに、使用するキーポイント検出器によらず、正確な性能を示す。 したがって、この研究は、医学領域における教師なし学習の活用に向けた顕著な一歩である。

関連論文リスト

• Unsupervised Deep Learning-based Keypoint Localization Estimating Descriptor Matching Performance [6.618504904743609]
  カラーファンドス画像のための新規な教師なし登録パイプラインを提案する。 我々のアプローチは、特異な記述子を持つ位置が信頼できるキーポイントを構成するという原則に基づいている。 4つのホールドアウトデータセットの包括的評価により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-05-05T16:46:32Z)
• Semi-weakly-supervised neural network training for medical image registration [18.520388065729552]
  本稿では,モデル性能を向上させる半弱制御型登録パイプラインについて述べる。 本稿では,ネットワーク重みの摂動と画像再サンプリングによる2種類の拡張手法について検討する。 589人の男性骨盤MRI画像に8つの解剖学的ROIをラベル付けした実験は、登録性能の向上を示す。
  論文  参考訳（メタデータ） (2024-02-16T14:44:40Z)
• 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 Adaptive Multiple Instance Learning for Instance-level Prediction of Pathological Images [45.132775668689604]
  アノテーションのコストを増大させることなく、ターゲットデータセットの分類性能を向上させるためのタスク設定を提案する。 両手法の監督情報を効果的に組み合わせるために,信頼性の高い擬似ラベルを作成する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-07T08:31:06Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances [77.28192419848901]
  コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。 従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。 本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
  論文  参考訳（メタデータ） (2020-07-16T08:32:56Z)

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。