論文の概要: Architectural and Regularization Components in Deep Learning Medical Image Registration: Systematic Ablation Study
- arxiv url: http://arxiv.org/abs/2609.05484v1
- Date: Sun, 23 Aug 2026 23:34:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 16:32:15.641049
- Title: Architectural and Regularization Components in Deep Learning Medical Image Registration: Systematic Ablation Study
- Title（参考訳）: 深層学習医用画像登録における構造・規則化要素:体系的アブレーション研究
- Abstract要約: 正規化だけでゲインの大半を占め、最大変形を53.1から0.51に減らし、99.0%削減した。
組み合わせたモデルでは25.8%(1.78%から2.24%)の精度向上が達成され、解剖学的妥当性は0.596から0.930に上昇した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning registration methods routinely stack two kinds of enhancement on a base network: architectural additions such as affine pre-alignment stages, and training-objective additions such as regularization losses. Papers tend to adopt both at once, so it is unclear which is doing the work. I ran a controlled ablation to separate them. Using the OASIS brain MRI dataset (394 training subjects, 20 test subjects), I trained four variants of the same registration pipeline: a baseline 3D U-Net with basic similarity losses, the same U-Net with a full regularization suite, an affine-plus-deformable architecture with basic losses, and the affine architecture with the full suite. I evaluated registration accuracy (MSE, NCC, SSIM), deformation quality (Jacobian determinant preservation, displacement statistics, an anatomical plausibility score), and computational cost. Regularization alone accounted for most of the gain: a 21.3% relative gain on the MSE-improvement metric (1.78% to 2.16%, P<.001) and a 21.8% relative gain in NCC improvement, while cutting maximum deformation from 53.1 to 0.51 units, a 99.0% reduction, at essentially no computational cost (-0.06% inference time). The combined model produced the largest accuracy gain, 25.8% (1.78% to 2.24%), and raised anatomical plausibility from 0.596 to 0.930, at a moderate +9.8% inference-time cost. Gradient correlation rose from 0.742 at baseline to 0.980 for the fully enhanced model. All enhanced variants reached sub-voxel accuracy under plausible deformation constraints. Regularization losses are the primary driver in this setting, delivering the accuracy gains and almost all of the deformation control for free at inference time, while the affine architecture adds a smaller complementary benefit at acceptable cost. The 99% reduction in unrealistic deformations addresses a known barrier to clinical deployment.
- Abstract（参考訳）: ディープラーニング登録手法は,アフィンの事前調整段階などのアーキテクチャ追加と,正規化損失などのトレーニング対象の追加という,ベースネットワーク上の2種類の拡張を日常的に積み重ねる。
紙は両方を一度に採用する傾向があるので、誰がその仕事をしているのかは定かではない。
私はそれらを分離するためにコントロールされたアブレーションを実行した。
OASISの脳MRIデータセット(被験者394名、被験者20名)を使用して、同じ登録パイプラインの4つの変種をトレーニングしました。
登録精度 (MSE, NCC, SSIM) , 変形品質 (Jacobian determinant storage, 変位統計, 解剖学的妥当性スコア) , 計算コストについて検討した。
MSE改善指標の21.3%の相対的な利得(1.78%から2.16%、P<.001)とNCC改善の21.8%の相対的な利得、一方最大変形を53.1から0.51に減らし、99.0%の減算であり、基本的に計算コスト(-0.06%の推論時間)を伴わない。
組み合わせたモデルでは25.8%(1.78%から2.24%)の精度向上が達成され、解剖学的妥当性は0.596から0.930に上昇した。
グラディエント相関は, ベースラインで0.742から0.980に向上した。
全ての改良された変種は、可塑性変形制約の下でサブボクセル精度に達した。
この設定では正規化損失が主要な要因であり、精度向上とほぼ全ての変形制御を推論時に無償で提供し、アフィンアーキテクチャは許容されるコストで補間的メリットを小さくする。
非現実的な変形の99%の減少は、臨床展開に対する既知の障壁に対処する。
関連論文リスト
- Similarity-Guided Curriculum Fine-Tuning of LLMs for Neural Architecture Synthesis [48.83701310501069]
ニューラルアーキテクチャ探索(NAS)のためのニューラルネットワークコードにプログレッシブなカリキュラムを構築するMinHashベースの類似性スケジューリングフレームワークを導入する。
我々は,CIFAR-10画像分類におけるLEMURベンチマークにおいて,オリンピックコード7Bの枠組みを評価する。
SVHNでは,カリキュラムなしの直接ベースモデル生成により,CIFAR-10相当値よりもかなり低い精度(60.5%)で27%のSRが得られる。
論文 参考訳（メタデータ） (2026-07-13T14:14:30Z) - Asymmetric Focal Loss Improves Graph Neural Network Prediction of Drug-Drug Interactions [0.0]
グラフニューラルネットワークは多剤副作用の予測を改善する。
標準的なバイナリクロスエントロピートレーニングは、よく分類された、そして難しい例に同等のキャパシティを割り当てる。
マルチリレーショナルな薬物と薬物の相互作用予測において,非対称な焦点対象が改善するか否かを検討した。
論文 参考訳（メタデータ） (2026-07-08T16:28:57Z) - Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。
我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。
我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
論文 参考訳（メタデータ） (2026-06-18T20:51:42Z) - Parameter-Efficient Architectural Modifications for Translation-Invariant CNNs [2.111646739533638]
畳み込みニューラルネットワーク(CNN)は、翻訳不変であると広く考えられているが、標準的なアーキテクチャは驚くべき脆弱性を示している。
我々は,グローバル平均プール層を様々なネットワーク深度に戦略的に挿入し,軽量な「オンラインアーキテクチャ」戦略を提案する。
この戦略は、トレーニング可能なパラメータ(5.2Mから82Kまで)の98%の大幅な削減と、ネットワークサイズ全体の90%の削減を実現している。
論文 参考訳（メタデータ） (2026-04-30T13:52:42Z) - CLIP Architecture for Abdominal CT Image-Text Alignment and Zero-Shot Learning: Investigating Batch Composition and Data Scaling [1.349025992778434]
医用画像とレポートの対比学習により訓練された視覚言語モデルは、強力なゼロショット診断能力を示す。
我々は,左右対称InfoNCE損失を用いた3次元腹部CTボリュームと放射線診断レポートとを一致させるデュアルエンコーダモデルであるMerlinを再現する。
論文 参考訳（メタデータ） (2026-04-15T07:10:01Z) - Improving Generalization of Deep Learning for Brain Metastases Segmentation Across Institutions [5.4585656405659195]
この作業の目標は、BMセグメンテーションを複数の機関で使用できるようにするためのドメイン適応フレームワークを作ることである。
本稿では,変分オートエンコーダ(VAE)と平均誤差損失(MMD)を組み合わせたVAE-MMD前処理パイプラインを提案する。
論文 参考訳（メタデータ） (2026-04-01T02:25:25Z) - Is Architectural Complexity Overrated? Competitive and Interpretable Knowledge Graph Completion with RelatE [6.959701672059059]
RelatEは、エンティティとリレーションの二重表現を効率的に統合する、解釈可能でモジュラーな方法である。
標準ベンチマークにおいて、競争力や優れたパフォーマンスを達成する。
摂動実験では、MRRはTransEと比較して最大61%、RotatEと比較して最大19%減少し、ロバスト性が改善された。
論文 参考訳（メタデータ） (2025-05-25T04:36:52Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-23T07:38:09Z) - (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。
これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文 参考訳（メタデータ） (2022-06-21T17:27:27Z) - SmoothNets: Optimizing CNN architecture design for differentially
private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。
これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。
SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文 参考訳（メタデータ） (2022-05-09T07:51:54Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳（メタデータ） (2020-12-25T14:58:35Z)
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。