論文の概要: Learning Cardiac Motion Priors for Implicit Neural Representations

• arxiv url: http://arxiv.org/abs/2607.00955v2
• Date: Fri, 03 Jul 2026 13:18:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 13:04:58.397738
• Title: Learning Cardiac Motion Priors for Implicit Neural Representations
• Title（参考訳）: 意図しない神経表現のための心臓運動の事前学習
• Abstract要約: Inlicit Neural representations (INRs) は心臓の運動推定に適している。 INRを各画像シーケンスに適合させることは、最適化軌跡に時間がかかり、敏感である。 心臓運動前兆を学習するための4つの戦略を比較した。
• 参考スコア（独自算出の注目度）: 6.039880253448136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representations (INRs) are well suited to cardiac motion estimation, providing continuous, compact representations of motion fields. However, fitting an INR to each image sequence is time-consuming and sensitive to the optimisation trajectory. Learned priors can help guide optimisation towards plausible motion fields and enable faster adaptation, but learning priors for cardiac motion INRs remains under-explored. In this work, we compare four strategies for learning cardiac motion priors, including a population prior learned by joint optimisation, a consensus prior obtained by weight averaging, auto-decoders, and meta-learning. Using short-axis tagged cardiac magnetic resonance images from the UK Biobank, we evaluate their impact on tracking accuracy, motion behaviour, and adaptation trajectory. All learned priors substantially improved early adaptation performance compared with random initialisation. While the simple consensus prior was effective, auto-decoders recovered large deformations faster during early adaptation. Meta-learning achieved strong early performance and maintained the best adaptation trajectory over 50 iterations.
• Abstract（参考訳）: 入射神経表現(INR)は心臓の運動推定によく適しており、運動場の連続的かつコンパクトな表現を提供する。 しかし、各画像列にINRを合わせるのに時間がかかり、最適化軌跡に敏感である。 学習前者は、可塑性運動場への最適化を導くのに役立ち、より高速な適応を可能にするが、心動INRの学習前は未調査のままである。 本研究は, 共同最適化に先立つ人口, 体重平均化, オートデコーダ, メタラーニングなど, 心の動きを学習するための4つの戦略を比較した。 イギリスバイオバンクの短軸タグ付き心臓磁気共鳴画像を用いて、追跡精度、動作挙動、適応軌跡に対する影響を評価した。 学習前のすべての学習は、ランダム初期化と比較して、早期適応性能を大幅に改善した。 単純なコンセンサスは有効であったが、オートデコーダは早期適応時に大きな変形を素早く回復した。 メタラーニングは、50回のイテレーションで最高の適応軌道を維持した。

関連論文リスト

• A Deep Learning Based Method for Fast Registration of Cardiac Magnetic Resonance Images [8.41988616568344]
  本論文では、心臓のひずみを定量化するために、高速で容積的な登録モデルを提案する。 提案するディープラーニングニューラルネットワーク(DLNN)は,畳み込みを極めて効率的に計算できるアーキテクチャを利用するように設計されている。
  論文  参考訳（メタデータ） (2025-06-23T22:06:07Z)
• LaMoD: Latent Motion Diffusion Model For Myocardial Strain Generation [5.377722774297911]
  本稿では,標準CMRビデオから高精度なDENSE動作を予測するため,新しいラミネートモーション拡散モデル(LaMoD)を提案する。 実験の結果,提案手法であるLaMoDは標準CMR画像の動作解析の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T12:54:32Z)
• RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint Detection and Invariant Description for Endoscopy [83.4885991036141]
  RIDEは回転同変検出と不変記述のための学習に基づく手法である。 内視鏡画像の大規模なキュレーションを自己指導的に行う。 マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2023-09-18T08:16:30Z)
• Selecting the Best Optimizers for Deep Learning based Medical Image Segmentation [1.837793355722137]
  本研究の目的は, 心像分割の文脈において, 深層学習の最良の方法を特定することである。 モーメントは、加速スキームカテゴリ内のニューラルネットワークを迅速に最適化するのに特に効果的である。
  論文  参考訳（メタデータ） (2023-02-05T03:49:27Z)
• Generative Myocardial Motion Tracking via Latent Space Exploration with Biomechanics-informed Prior [16.129107206314043]
  心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。 画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。 本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-08T12:02:00Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• Learning Higher-Order Dynamics in Video-Based Cardiac Measurement [5.571184025017747]
  心パルスにおいて、第2誘導体は血圧および動脈疾患の指標として用いることができる。 近年, カメラを用いたバイタルサイン測定の進歩により, 心電図の精度が向上し, 心電図の精度が向上した。 損失関数に明示的に最適化した場合、高次ダイナミクスがニューラルネットワークによりより良く推定されることを示す。
  論文  参考訳（メタデータ） (2021-10-07T16:29:55Z)
• Meta-Learning with Adaptive Hyperparameters [55.182841228303225]
  我々は、MAMLフレームワークの補完的要素、インナーループ最適化(あるいは高速適応)に焦点を当てる。 高速適応プロセスを大幅に向上させる新しい重み更新ルールを提案する。
  論文  参考訳（メタデータ） (2020-10-31T08:05:34Z)
• Adaptive Gradient Method with Resilience and Momentum [120.83046824742455]
  レジリエンスとモメンタム(AdaRem)を用いた適応勾配法を提案する。 AdaRemは、過去の1つのパラメータの変化方向が現在の勾配の方向と一致しているかどうかに応じてパラメータワイズ学習率を調整する。 本手法は,学習速度とテスト誤差の観点から,従来の適応学習率に基づくアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-10-21T14:49:00Z)
• Adaptive Inertia: Disentangling the Effects of Adaptive Learning Rate and Momentum [97.84312669132716]
  我々は,アダム力学の適応学習率とモメンタムがサドルポイントエスケープおよびフラットミニマ選択に与える影響を解消する。 提案手法は,SGD法や従来の適応勾配法よりも大幅に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T05:21:02Z)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)

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。