Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

MedShift: Vận chuyển có điều kiện ngầm định cho sự thích nghi miền tia _____T6572____-

Created by
  • Haebom

Tác giả

Francisco Caetano,Christiaan Viviers,Peter HH de With,Fons van der Sommen

Phác thảo

Dữ liệu y tế tổng hợp cung cấp một giải pháp có khả năng mở rộng để đào tạo các mô hình mạnh mẽ, nhưng những khoảng cách đáng kể về miền hạn chế việc khái quát hóa trong các bối cảnh lâm sàng thực tế. Bài báo này giải quyết vấn đề dịch chuyển miền chéo giữa hình ảnh đường X đầu tổng hợp và thực tế bằng cách tập trung vào việc giải quyết những khác biệt trong hành vi suy giảm, đặc điểm nhiễu và biểu diễn mô mềm. Chúng tôi đề xuất MedShift, một mô hình sinh có điều kiện lớp thống nhất dựa trên Flow Matching và Schrodinger Bridges. Mô hình này cho phép dịch chuyển hình ảnh có độ trung thực cao, không ghép đôi trên nhiều miền. Không giống như các phương pháp trước đây yêu cầu đào tạo miền cụ thể hoặc dựa vào dữ liệu ghép đôi, MedShift học một không gian tiềm ẩn được chia sẻ, độc lập với miền và cho phép dịch chuyển liền mạch giữa tất cả các cặp miền quan sát được trong quá trình đào tạo. Chúng tôi cũng đánh giá chuẩn các mô hình dịch chuyển miền bằng cách giới thiệu X-DigiSkull, một tập dữ liệu mới bao gồm các đường X sọ tổng hợp và sọ thật được căn chỉnh từ các liều bức xạ khác nhau. Kết quả thử nghiệm chứng minh rằng MedShift mang lại hiệu suất mạnh mẽ mặc dù kích thước mô hình nhỏ hơn so với các phương pháp dựa trên khuếch tán, và nó có thể được điều chỉnh để ưu tiên độ trung thực về nhận thức hoặc tính nhất quán về cấu trúc trong quá trình suy luận, biến nó thành một giải pháp có khả năng mở rộng và tổng quát hóa cho việc điều chỉnh miền trong hình ảnh y tế. Mã và tập dữ liệu có sẵn tại _____T11297____- .

Takeaways, Limitations

•
Takeaways:
◦
Việc chuyển đổi hình ảnh không ghép nối, có độ trung thực cao giữa hình ảnh y tế tổng hợp và thực tế có thể thực hiện được thông qua MedShift do chúng tôi đề xuất, một mô hình tạo điều kiện lớp thống nhất dựa trên Flow Matching và Schrodinger Bridges.
◦
Chia sẻ không gian tiềm ẩn độc lập với miền mà không cần đào tạo theo miền cụ thể hoặc phụ thuộc vào dữ liệu ghép nối.
◦
Tính linh hoạt đạt được bằng cách cho phép ưu tiên độ trung thực về nhận thức hoặc tính nhất quán về cấu trúc trong quá trình suy luận.
◦
Cung cấp hiệu suất mạnh mẽ với kích thước mô hình nhỏ hơn so với các phương pháp dựa trên sự khuếch tán.
◦
Bộ dữ liệu mới X-DigiSkull cho phép đánh giá chuẩn các mô hình chuyển đổi miền.
◦
Cung cấp các giải pháp thích ứng với miền có khả năng mở rộng và tổng quát hóa
•
Limitations:
◦
Limitations không được đề cập rõ ràng trong bài báo. Cần nghiên cứu thêm để xác minh hiệu suất tổng quát hóa của nó trong các bối cảnh lâm sàng thực tế và khả năng ứng dụng của nó vào các phương thức chụp ảnh y tế khác nhau.
👍
Made with Slashpage