Электрическая инженерия и системные науки > Обобщение изображений и видеопроцессов [представлено 21 сентября 2024 (v1), последний пересмотренный вариант от 5 октября 2026 года (эта версия, v5)] Название: A Universal Deep Latching Framework for Displacement Record in Medical Imaging View PDF HTML (экспериментальное) резюме: Глубинное обучение показало значительную ценность регистрации медицинских изображений для корректировки движения; однако нынешние методы либо ограничены типом и диапазоном движений, с которыми они могут справиться, либо требуют итеративного вывода и/или переподготовки новых данных изображения. Для устранения этих ограничений мы введем UniMo, унифицированную систему коррекции движения, которая использует глубокие нейронные сети для корректировки различных типов движений в медицинской съемке. UniMo использует систему попеременной оптимизации с единой функцией потери для обучения интегрированной модели 1) равномерной нейронной сети глобальной корректировки жесткого движения и 2) сети энкодер-декодера локальных деформаций. В нем имеется усиливающий геометрическую деформацию элемент, который 1) повышает надежность глобальной коррекции движения путем устранения локальных деформаций, вызванных либо нежестким движением, либо геометрическими диспропорциями; и 2) генерирует дополнительные данные для совершенствования подготовки кадров. Как гибридная модель, использующая как силу изображения, так и формы, UniMo является надежным для вариаций внешнего вида и обобщает…
Единая основа глубокого обучения для коррекции движения при медицинском изобретении
arXiv:2409.14204v5 Тип уведомления: заменить перекрестное резюме: Глубокая учеба продемонстрировала значительную ценность регистрации медицинских изображений для корректировки движения; однако нынешние методы либо ограничены типом и диапазоном движений, которые они могут использовать, либо требуют итеративного вывода и/или переподготовки новых данных изображения. Для устранения этих ограничений мы введем UniMo, унифицированную систему коррекции движения, которая использует глубокие нейронные сети для корректировки различных типов движений в медицинской съемке. UniMo использует систему попеременной оптимизации с единой функцией потери для обучения интегрированной модели 1) равномерной нейронной сети глобальной корректировки жесткого движения и 2) сети энкодер-декодера локальных деформаций. В нем имеется усиливающий геометрическую деформацию элемент, который 1) повышает надежность глобальной коррекции движения путем устранения локальных деформаций, вызванных либо нежестким движением, либо геометрическими диспропорциями; и 2) генерирует дополнительные данные для совершенствования подготовки кадров. Как гибридная модель t
