論文の概要: A Comparative Study for Non-rigid Image Registration and Rigid Image Registration

• arxiv url: http://arxiv.org/abs/2001.03831v1
• Date: Sun, 12 Jan 2020 02:32:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 04:59:45.798742
• Title: A Comparative Study for Non-rigid Image Registration and Rigid Image Registration
• Title（参考訳）: 非剛性画像登録と剛性画像登録の比較検討
• Authors: Xiaoran Zhang, Hexiang Dong, Di Gao and Xiao Zhao
• Abstract要約: 本研究では,最先端のDeep-based non-rigid registration approachと厳密な登録アプローチを比較した。 ボクセルモルフは、比較のために、剛体集合と非剛体集合を別々に訓練する。 根平均二乗誤差 (RMSE) と平均絶対誤差 (MAE) の両値における最良の定量値は, SimpleElastix と Voxelmorph による非剛性登録 (non-rigid registration) により得られる。
• 参考スコア（独自算出の注目度）: 1.7878745477602331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration algorithms can be generally categorized into two groups: non-rigid and rigid. Recently, many deep learning-based algorithms employ a neural net to characterize non-rigid image registration function. However, do they always perform better? In this study, we compare the state-of-art deep learning-based non-rigid registration approach with rigid registration approach. The data is generated from Kaggle Dog vs Cat Competition \url{https://www.kaggle.com/c/dogs-vs-cats/} and we test the algorithms' performance on rigid transformation including translation, rotation, scaling, shearing and pixelwise non-rigid transformation. The Voxelmorph is trained on rigidset and nonrigidset separately for comparison and we also add a gaussian blur layer to its original architecture to improve registration performance. The best quantitative results in both root-mean-square error (RMSE) and mean absolute error (MAE) metrics for rigid registration are produced by SimpleElastix and non-rigid registration by Voxelmorph. We select representative samples for visual assessment.
• Abstract（参考訳）: 画像登録アルゴリズムは一般に非剛性と剛性という2つのグループに分類できる。 近年,深層学習に基づくアルゴリズムでは,非剛性画像登録関数を特徴付けるニューラルネットワークが採用されている。 しかし、彼らは常に改善しますか? 本研究では,最先端のDeep-based non-rigid registration approachと厳密な登録アプローチを比較した。 データはkaggle dog vs cat competition \url{https://www.kaggle.com/c/dogs-vs-cats/}から生成され、変換、回転、スケーリング、せん断、ピクセルワイズ非剛性変換を含む剛性変換におけるアルゴリズムの性能をテストする。 voxelmorphは、比較のためにhardidsetとnonrigidsetを別々にトレーニングし、登録性能を改善するために元のアーキテクチャにガウスぼけ層を追加する。 根平均二乗誤差 (RMSE) と平均絶対誤差 (MAE) の両値における最良の定量値は, SimpleElastix と Voxelmorph による非剛性登録により得られる。 視覚評価のための代表サンプルを選択する。

関連論文リスト

• MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
  MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。 異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。 提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
  論文  参考訳（メタデータ） (2024-10-23T19:20:57Z)
• Unsupervised Echocardiography Registration through Patch-based MLPs and Transformers [6.330832343516528]
  この作業では、トランスフォーマーとパッチを使用した3つのイメージ登録用のパッチベースのフレームワークを導入している。 我々は、人気のあるCNN登録モデルよりも同等で、さらに優れた登録性能を示します。
  論文  参考訳（メタデータ） (2022-11-21T17:59:04Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy Image Compression Systems [73.48927855855219]
  近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。 本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
  論文  参考訳（メタデータ） (2022-01-27T19:47:51Z)
• CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint Registration and Structure Learning [73.03885837923599]
  我々は,新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。 CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。 イギリスバイオバンクの心臓磁気共鳴画像データを用いた実験により、CAR-Netは最先端の教師なし登録法よりも高い登録精度とスムーズな変形場が得られることが示された。
  論文  参考訳（メタデータ） (2021-06-11T23:25:49Z)
• Attention for Image Registration (AiR): an unsupervised Transformer approach [7.443843354775884]
  変形可能な画像登録問題に注意機構を導入する。 提案手法は,GPGPUデバイス上で効率的にトレーニング可能なTransformerフレームワークであるAiRをベースとしている。 この方法は教師なしの変形マップを学習し、2つのベンチマークデータセットでテストする。
  論文  参考訳（メタデータ） (2021-05-05T18:49:32Z)
• Semantic similarity metrics for learned image registration [10.355938901584565]
  画像登録のための意味的類似度尺度を提案する。 このアプローチは、学習に基づく登録モデルの最適化を促進するデータセット固有の特徴を学習する。 自動エンコーダを用いた非監視的アプローチと、補助セグメンテーションデータを用いた半監督的アプローチの両方をトレーニングし、画像登録のための意味的特徴を抽出します。
  論文  参考訳（メタデータ） (2021-04-20T15:23:58Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• DeepSim: Semantic similarity metrics for learned image registration [6.789370732159177]
  画像登録のための意味的類似度尺度を提案する。 提案手法は,学習ベース登録モデルの最適化を促進する,データセット固有の特徴を学習する。
  論文  参考訳（メタデータ） (2020-11-11T12:35:07Z)
• Deep learning based registration using spatial gradients and noisy segmentation labels [52.78503776563559]
  ディープラーニングベースのアプローチは、高速かつ実行可能な登録戦略を提供することで、非常に人気を博しました。 我々の研究は(i)対称な定式化に依存し、ソースからターゲットへの変換とターゲットからソースへの変換を同時に予測し、訓練された表現を類似させる。 本手法では,タスク3では0.64ドル,テスト4では0.85ドルの平均ダイスを報告し,3位となった。
  論文  参考訳（メタデータ） (2020-10-21T11:08:45Z)
• I Am Going MAD: Maximum Discrepancy Competition for Comparing Classifiers Adaptively [135.7695909882746]
  我々は、MAD(Maximum Discrepancy)コンペティションを命名する。 任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。 結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
  論文  参考訳（メタデータ） (2020-02-25T03:32:29Z)

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。