論文の概要: Meta-Initialization of Implicit Neural Representations to Accelerate Deformable Medical Image Registration

• arxiv url: http://arxiv.org/abs/2610.37965v1
• Date: Tue, 27 Oct 2026 20:57:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.332413
• Title: Meta-Initialization of Implicit Neural Representations to Accelerate Deformable Medical Image Registration
• Title（参考訳）: 急激な変形可能な医用画像登録のための暗黙的ニューラル表現のメタ初期化
• Abstract要約: 変形可能な医用画像登録のための入射神経表現(INR)法では、新しい画像ペアごとにネットワークパラメータを最適化する必要がある。 本稿では,座標ネットワークの共有成分の可逆的メタ初期化とSTRAINER転送の2つの手法について検討する。
• 参考スコア（独自算出の注目度）: 0.022178426238167986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representation (INR) methods for deformable medical image registration require the network parameters to be optimized for each new image pair, making adaptation speed a practical limitation. This work investigates whether early adaptation can be accelerated using an initialization learned from a collection of previously solved registration tasks. We examine two schemes: Reptile meta-initialization and STRAINER transfer of the shared component of a coordinate network. KAN-IDIR is used as the base INR displacement-field model. Experiments are conducted on OASIS-1, with 364 consecutive pairs used for training and 49 pairs for test-time adaptation. Registration quality is evaluated using mean Dice and HD95, together with the fraction of voxels with a negative Jacobian determinant at iteration 1500. In the configurations studied, both schemes yield higher Dice and lower HD95 at early iterations than random initialization. Reptile numerically outperforms STRAINER under a small iteration budget, although their pretraining budgets are not matched. As the number of iterations increases, the differences between the schemes shrink. STRAINER pretraining takes 39-40 minutes, compared with 44.98 hours for Reptile.
• Abstract（参考訳）: 変形可能な医用画像登録のための入射神経表現(INR)法では、新しい画像ペアごとにネットワークパラメータを最適化する必要があるため、適応速度が実用的な制限となる。 本研究は,以前に解決された登録タスクのコレクションから得られた初期化を用いて,早期適応を加速できるかどうかを検討する。 本稿では,座標ネットワークの共有成分の可逆的メタ初期化とSTRAINER転送の2つの手法について検討する。 Kan-IDIRは、ベースとなるINR変位場モデルとして使用される。 実験はOASIS-1で行われ、訓練に364組、試験時間適応に49組が使用される。 平均DiceおよびHD95を用いて登録品質を評価するとともに,1500の繰り返しにおける負のヤコビ行列式を持つボクセルの分画を評価した。 研究された構成では、両方のスキームは、ランダム初期化よりも初期のイテレーションにおいて、Dice と HD95 がより高くなる。 Reptileは、小さなイテレーション予算でSTRAINERを数値的に上回っているが、事前トレーニング予算は一致していない。 イテレーションの数が増えるにつれて、スキーム間の差は小さくなる。 StRAINERプレトレーニングは39-40分で、Reptileは44.98時間である。

関連論文リスト

• Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
  潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。 その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
  論文  参考訳（メタデータ） (2026-08-05T13:22:43Z)
• DiffusionGemma Technical Report [72.10570774996219]
  DiffusionGemma(ディフュージョン・ジェマ)は、離散拡散を用いてテキストを生成する言語モデルである。 DiffusionGemmaは、一度に1つのトークンをデコードする代わりに、256個のトークンのブロックを並列に繰り返し洗練する。 私たちの計算効率の良い2段階トレーニングパイプラインは、開始したARモデルの総トレーニングトークン予算の10%未満を使用します。
  論文  参考訳（メタデータ） (2026-07-31T16:11:46Z)
• LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification [0.0]
  本稿では,Zhuang と Cunningham が提案した AdaInit (Adaptive Initialization) を評価し,大規模言語モデルを用いて量子ニューラルネットワークの初期パラメータを提案する。 AdaInitは、ランダムに14.6倍の勾配を提供し、160倍の収束を実現し、同じ分類精度は61.4パーセントを維持している。 この結果は、AdaInitを医用画像設定で検証し、実用的なスピードアップのためにGPU加速量子バックエンドとの互換性を実証する。
  論文  参考訳（メタデータ） (2026-07-29T07:24:48Z)
• Exploring Spiking Neural Networks for Binary Classification in Multivariate Time Series at the Edge [0.9282545044546486]
  多変量時系列のバイナリ分類を行うために、スパイキングニューラルネットワーク(SNN)を訓練するための一般的なフレームワークを提案する。 ガンマ線スペクトルデータにおける低信号-雑音比放射源の検出に応用する。 その結果、49個の神経細胞と66個のシナプスを持つSNNは、51.8%の真の正の速度(TPR)を1/hrの誤報率で達成した。 マイクロカスピアンニューロモルフィックプラットフォーム上のハードウェア展開は、2mWの消費電力と20.2msのレイテンシを示す。
  論文  参考訳（メタデータ） (2025-10-23T20:52:11Z)
• Learning KAN-based Implicit Neural Representations for Deformable Image Registration [0.8037525071177886]
  我々はKan-IDIRとRandKAN-IDIRを提案し、Kolmogorov-Arnold Networks(KAN)を暗黙のニューラル表現(INR)で変形可能な画像登録に初めて統合した。 提案したランダム化されたベースサンプリング戦略は,登録品質を維持しつつ,kanの必要なベース関数数を削減できる。 Kan-IDIRとRandKAN-IDIRは、すべての評価されたモダリティと解剖において、INRベースの手法の中で最高精度を達成した。
  論文  参考訳（メタデータ） (2025-09-26T19:37:46Z)
• Equivariant Multiscale Learned Invertible Reconstruction for Cone Beam CT [7.497397088625152]
  本稿では,高速かつメモリ効率の良いCBCT再構成手法であるLIRE+を提案する。 LIRE+ は CBCT 再構成のための多変量学習非可逆原始双対反復スキームである。 本手法は, ソラックステストセット上でのLIREを含む古典的および深層学習ベースラインを超越した手法である。
  論文  参考訳（メタデータ） (2024-01-20T15:29:29Z)
• Addressing the speed-accuracy simulation trade-off for adaptive spiking neurons [0.0]
  本稿では,適応統合火災モデル(ALIF)をアルゴリズム的に再解釈する。 合成ベンチマークで小さなDTを用いて50ドル以上のトレーニングスピードアップを得る。 また、我々のモデルが皮質ニューロンの電気生理学的記録を迅速かつ正確に適合させる方法についても紹介する。
  論文  参考訳（メタデータ） (2023-11-19T18:21:45Z)
• Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
  ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。 ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
  論文  参考訳（メタデータ） (2023-06-16T21:53:16Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Exploiting Adam-like Optimization Algorithms to Improve the Performance of Convolutional Neural Networks [82.61182037130405]
  勾配降下(SGD)は深いネットワークを訓練するための主要なアプローチです。 本研究では,現在と過去の勾配の違いに基づいて,Adamに基づく変分を比較する。 resnet50を勾配降下訓練したネットワークのアンサンブルと融合実験を行った。
  論文  参考訳（メタデータ） (2021-03-26T18:55:08Z)

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。