論文の概要: Strategies for Robust Deep Learning Based Deformable Registration

• arxiv url: http://arxiv.org/abs/2510.23079v1
• Date: Mon, 27 Oct 2025 07:29:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.486698
• Title: Strategies for Robust Deep Learning Based Deformable Registration
• Title（参考訳）: 頑健なディープラーニングに基づく変形可能な登録のための戦略
• Authors: Joel Honkamaa, Pekka Marttinen,
• Abstract要約: Learn2Reg 2025のLUMIR脳登録チャレンジは、トレーニングセットに含まれるものと異なるコントラストやモダリティに基づいて、登録のパフォーマンスを評価することにより、フィールドを前進させることを目的としている。 本稿では,画像がMDD特徴空間に変換されてモデルに反映されるという,ロバスト性を大幅に向上する,非常にシンプルなアイデアを提案する。
• 参考スコア（独自算出の注目度）: 11.307978651227701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning based deformable registration methods have become popular in recent years. However, their ability to generalize beyond training data distribution can be poor, significantly hindering their usability. LUMIR brain registration challenge for Learn2Reg 2025 aims to advance the field by evaluating the performance of the registration on contrasts and modalities different from those included in the training set. Here we describe our submission to the challenge, which proposes a very simple idea for significantly improving robustness by transforming the images into MIND feature space before feeding them into the model. In addition, a special ensembling strategy is proposed that shows a small but consistent improvement.
• Abstract（参考訳）: 近年,ディープラーニングに基づく変形可能な登録手法が普及している。 しかし、トレーニングデータ配信を超えて一般化する能力は貧弱であり、ユーザビリティを著しく損なう可能性がある。 Learn2Reg 2025のLUMIR脳登録チャレンジは、トレーニングセットに含まれるものと異なるコントラストやモダリティに基づいて、登録のパフォーマンスを評価することにより、フィールドを前進させることを目的としている。 本稿では,画像がMDD特徴空間に変換されてモデルに反映されるという,ロバスト性を大幅に向上する,非常にシンプルなアイデアを提案する。 また,小型ながら一貫した改良を図った特別なアンサンブル戦略が提案されている。

関連論文リスト

• Towards Seamless Adaptation of Pre-trained Models for Visual Place Recognition [72.35438297011176]
  視覚的位置認識のための事前学習モデル(VPR)のシームレスな適応を実現する新しい手法を提案する。 具体的には、地域を識別するための有意義なランドマークに焦点を当てたグローバルな特徴とローカルな特徴の両方を得るために、ハイブリッド適応法を設計する。 実験結果から,本手法はトレーニングデータやトレーニング時間が少なく,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T12:55:01Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Train smarter, not harder: learning deep abdominal CT registration on scarce data [0.8179387741893692]
  腹部画像における畳み込みニューラルネットワークによる画像-画像の登録を改善するためのトレーニング戦略について検討する。 訓練段階におけるセグメンテーションを用いた指導は、ディープラーニングに基づく画像登録に有用であることが証明された。 脳MRIデータセットから腹部CTデータセットまで、事前訓練されたモデルを微調整することで、パフォーマンスがさらに向上した。
  論文  参考訳（メタデータ） (2022-11-28T19:03:01Z)
• Prototypical quadruplet for few-shot class incremental learning [24.814045065163135]
  改良されたコントラスト損失を用いて,より優れた埋め込み空間を同定し,分類ロバスト性を向上させる手法を提案する。 我々のアプローチは、新しいクラスで訓練された場合でも、埋め込み空間で以前獲得した知識を保っている。 提案手法の有効性は,新しいクラスでモデルを訓練した後,組込み空間がそのままであることを示すとともに,各セッションの精度で既存の最先端アルゴリズムより優れていることを示すことで実証する。
  論文  参考訳（メタデータ） (2022-11-05T17:19:14Z)
• A Technical Report for ICCV 2021 VIPriors Re-identification Challenge [5.940699390639281]
  本稿では,VIPriors Challenge 2021における再同定トラックの解について紹介する。 それは、最先端のデータ処理戦略、モデル設計、および後処理アンサンブルメソッドの使用を示しています。 チームの最終スコア(ALONG)は96.5154% mAPで、トップボードで1位となった。
  論文  参考訳（メタデータ） (2021-09-30T14:29:31Z)
• Constraining Volume Change in Learned Image Registration for Lung CTs [4.37795447716986]
  本稿では,従来の肺登録法の重要な戦略を特定し,深層学習法の開発に成功した。 我々は、粗い方法で画像登録の最適化を解くことができるガウスピラミドに基づくマルチレベルフレームワークを採用している。 本研究は, COPDGeneデータセット上で, 従来よりもはるかに短い実行時間で, 従来の登録方式と比較して, 最先端の成果をアーカイブすることを示す。
  論文  参考訳（メタデータ） (2020-11-29T14:09:31Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。