論文の概要: HyperSORT: Self-Organising Robust Training with hyper-networks

• arxiv url: http://arxiv.org/abs/2506.21430v1
• Date: Thu, 26 Jun 2025 16:12:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.183352
• Title: HyperSORT: Self-Organising Robust Training with hyper-networks
• Title（参考訳）: HyperSORT: ハイパーネットワークによる自己組織化ロバストトレーニング
• Authors: Samuel Joutard, Marijn Stollenga, Marc Balle Sanchez, Mohammad Farid Azampour, Raphael Prevost,
• Abstract要約: HyperSORTは、イメージとアノテーションのばらつきの両方を表す潜在ベクトルからUNetsのパラメータを予測するハイパーネットワークを使用するフレームワークである。 2つの腹部CTパブリックデータセットを用いて本法の有効性を検証した。 潜在空間クラスタは、基礎となる学習された体系的バイアスに従ってセグメンテーションタスクを実行するUNetパラメータを生成する。
• 参考スコア（独自算出の注目度）: 1.1327019820428537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging datasets often contain heterogeneous biases ranging from erroneous labels to inconsistent labeling styles. Such biases can negatively impact deep segmentation networks performance. Yet, the identification and characterization of such biases is a particularly tedious and challenging task. In this paper, we introduce HyperSORT, a framework using a hyper-network predicting UNets' parameters from latent vectors representing both the image and annotation variability. The hyper-network parameters and the latent vector collection corresponding to each data sample from the training set are jointly learned. Hence, instead of optimizing a single neural network to fit a dataset, HyperSORT learns a complex distribution of UNet parameters where low density areas can capture noise-specific patterns while larger modes robustly segment organs in differentiated but meaningful manners. We validate our method on two 3D abdominal CT public datasets: first a synthetically perturbed version of the AMOS dataset, and TotalSegmentator, a large scale dataset containing real unknown biases and errors. Our experiments show that HyperSORT creates a structured mapping of the dataset allowing the identification of relevant systematic biases and erroneous samples. Latent space clusters yield UNet parameters performing the segmentation task in accordance with the underlying learned systematic bias. The code and our analysis of the TotalSegmentator dataset are made available: https://github.com/ImFusionGmbH/HyperSORT
• Abstract（参考訳）: 医用画像データセットは、誤ったラベルから一貫性のないラベリングスタイルまで多種多様なバイアスを含むことが多い。 このようなバイアスは、ディープセグメンテーションネットワークのパフォーマンスに悪影響を及ぼす可能性がある。 しかし、そのようなバイアスの識別と特徴づけは特に面倒で困難な作業である。 本稿では,画像とアノテーションの両変数を表す潜在ベクトルからUNetsのパラメータを予測するハイパーネットワークを用いたHyperSORTを提案する。 トレーニングセットからの各データサンプルに対応するハイパーネットワークパラメータと潜在ベクトルコレクションを共同で学習する。 したがって、データセットに適合するように単一のニューラルネットワークを最適化する代わりに、HyperSORTは、低密度領域がノイズ固有のパターンをキャプチャできるような、UNetパラメータの複雑な分布を学習する。 まずAMOSデータセットの合成摂動バージョンと,真の未知のバイアスとエラーを含む大規模データセットであるTotalSegmentatorについて検討した。 実験の結果,HyperSORTはデータセットの構造的マッピングを作成し,関連する系統的バイアスと誤サンプルを識別できることがわかった。 潜在空間クラスタは、基礎となる学習された体系的バイアスに従ってセグメンテーションタスクを実行するUNetパラメータを生成する。 https://github.com/ImFusionGmbH/HyperSORT。

関連論文リスト

• Symmetry Discovery for Different Data Types [52.2614860099811]
  等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。 本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。 我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
  論文  参考訳（メタデータ） (2024-10-13T13:39:39Z)
• SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
  深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。 しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。 スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-24T18:35:57Z)
• Generalizing Few Data to Unseen Domains Flexibly Based on Label Smoothing Integrated with Distributionally Robust Optimization [0.9374652839580183]
  大規模なデータセットにディープニューラルネットワーク(DNN)を適用する場合、一般的にオーバーフィッティングが発生する。 ラベル平滑化 (LS) は, 1ホットラベルと一様ラベルベクトルを混合することにより, オーバーフィッティングを防止する効果的な正規化手法である。 本稿では、LSに分散ロバスト最適化(DRO)を導入し、既存のデータ分布を柔軟に未確認領域にシフトさせる。
  論文  参考訳（メタデータ） (2024-08-09T14:13:33Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Lessons Learned from the Training of GANs on Artificial Datasets [0.0]
  GAN(Generative Adversarial Networks)は,近年,現実的な画像の合成において大きな進歩を遂げている。 GANは不適合や過度に適合する傾向があり、分析が困難で制約を受ける。 無限に多くのサンプルがあり、実際のデータ分布は単純である人工データセットでトレーニングする。 GANのトレーニング混合物はネットワークの深さや幅を増大させるよりもパフォーマンスが向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-13T14:51:02Z)

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。