Orvosi képalkotást gyorsít a DisINR — kevesebb adatból is hatékonyabb
A DisINR nevű új Implicit Neurális Reprezentáció (INR) rendszer a korábbi módszerekkel szemben jelentősen felgyorsíthatja a betanítást, miközben jobb képminőséget biztosít.
Új megközelítést dolgoztak ki kutatók az orvosi képalkotásban, amely a DisINR nevet kapta. Ez a módszer explicit módon szétválasztja a megosztott és a páciens-specifikus reprezentációkat az Implicit Neurális Reprezentációk (INR) területén — írja az arXiv-on megjelent tanulmány.
A klasszikus INR-ek minden egyes páciens esetében a teljes hálózatot a nulláról optimalizálják, ami nem hatékony betanítást és gyakran nem optimális képminőséget eredményez. A korábbi, inicializáláson alapuló megközelítések megpróbáltak populációs priorokat bevinni az előre betanított hálózatokba, de ezekhez jellemzően magas minőségű képekre volt szükség, és finomhangolás során gyakran szenvedtek a katasztrofális felejtéstől.
Hatékonyabb betanítás, jobb minőség
A DisINR egy megosztott kódoló-dekódoló párt és páciens-specifikus kódolókat vezet be. Ezek jellemzőit együttesen dekódolja a rendszer a kép rekonstrukciójához. A differenciálható előremenő modellek integrálásával a megosztott modulok közvetlenül korlátozott nyers mérésekből is előtaníthatók, így nincs szükség előre megszerzett, magas minőségű képekre.
A tesztidőszaki adaptáció során csak a páciens-specifikus kódolókat kell finomhangolni, ami a klasszikus INR-ekhez képest hatékonyabb betanítást és jobb képminőséget eredményez. A DisINR ezzel megoldja a klasszikus INR-ek nem hatékony betanítási és szuboptimális képminőségi problémáit, valamint az inicializáláson alapuló megközelítések katasztrofális felejtését.
A kutatás előnyomtatott formában, az arXiv:2605.04234v1 azonosítóval érhető el.