論文の概要: Learning Deformable Registration of Medical Images with Anatomical Constraints

• arxiv url: http://arxiv.org/abs/2001.07183v2
• Date: Wed, 22 Jan 2020 13:25:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-08 05:40:25.889016
• Title: Learning Deformable Registration of Medical Images with Anatomical Constraints
• Title（参考訳）: 解剖学的制約を伴う医用画像の変形可能な登録学習
• Authors: Lucas Mansilla, Diego H. Milone, Enzo Ferrante
• Abstract要約: 医用画像解析の分野では、変形可能な画像登録が根本的な問題である。 我々は,画像解剖学のグローバルな非線形表現をセグメンテーションマスクを用いて学習し,それらを用いて登録プロセスの制約を行う。 実験により,提案した解剖学的制約付き登録モデルにより,最先端の手法よりも現実的で正確な結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 4.397224870979238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable image registration is a fundamental problem in the field of medical image analysis. During the last years, we have witnessed the advent of deep learning-based image registration methods which achieve state-of-the-art performance, and drastically reduce the required computational time. However, little work has been done regarding how can we encourage our models to produce not only accurate, but also anatomically plausible results, which is still an open question in the field. In this work, we argue that incorporating anatomical priors in the form of global constraints into the learning process of these models, will further improve their performance and boost the realism of the warped images after registration. We learn global non-linear representations of image anatomy using segmentation masks, and employ them to constraint the registration process. The proposed AC-RegNet architecture is evaluated in the context of chest X-ray image registration using three different datasets, where the high anatomical variability makes the task extremely challenging. Our experiments show that the proposed anatomically constrained registration model produces more realistic and accurate results than state-of-the-art methods, demonstrating the potential of this approach.
• Abstract（参考訳）: 医用画像解析の分野では,変形可能な画像登録が根本的な問題である。 近年,最先端の性能を実現し,必要な計算時間を劇的に短縮する深層学習に基づく画像登録手法の出現を目撃してきた。 しかしながら、モデルが正確であるだけでなく、解剖学的に妥当な結果を生み出すことをいかに奨励するかについては、ほとんど作業が行われていません。 本研究は,これらのモデルの学習プロセスに,グローバルな制約という形で解剖学的な優先順位を組み込むことによって,その性能をさらに向上させ,登録後の歪んだ画像のリアリズムを高めることを目的とする。 セグメンテーションマスクを用いた画像解剖のグローバル非線形表現を学習し,登録プロセスの制約に利用する。 提案したAC-RegNetアーキテクチャは3つの異なるデータセットを用いて胸部X線画像登録の文脈で評価される。 実験により,提案する解剖学的制約付き登録モデルは,最先端手法よりも現実的かつ正確な結果が得られることを示し,このアプローチの可能性を示した。

関連論文リスト

• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Learning Homeomorphic Image Registration via Conformal-Invariant Hyperelastic Regularisation [9.53064372566798]
  共形不変性に基づく変形可能な画像登録のための新しいフレームワークを提案する。 我々の正規化器は、変形場が滑らかで、可逆で、配向保存されるように強制する。 我々は,数値的および視覚的な実験を通じて,我々のフレームワークが現在の画像登録技術より優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-14T17:47:18Z)
• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• DiffuseMorph: Unsupervised Deformable Image Registration Along Continuous Trajectory Using Diffusion Models [31.826844124173984]
  DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。 本モデルは,動画像と固定画像の変形のスコア関数を学習する。 本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
  論文  参考訳（メタデータ） (2021-12-09T08:41:23Z)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• A Meta-Learning Approach for Medical Image Registration [6.518615946009265]
  グラデーションベースのメタラーニングフレームワークと統合した,新しい教師なし登録モデルを提案する。 実験の結果,提案モデルでは,精度とトレーニング時間の観点から,性能が有意に向上した。
  論文  参考訳（メタデータ） (2021-04-21T10:27:05Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Contrastive Registration for Unsupervised Medical Image Segmentation [1.5125686694430571]
  非教師型医用画像分割のための新しいコントラスト型登録アーキテクチャを提案する。 まず、教師なしの医用画像セグメントの登録により、画像から画像への変換パターンをキャプチャするアーキテクチャを提案する。 第2に,特徴レベルのネットワークの識別能力を高めるために,コントラスト学習機構を登録アーキテクチャに組み込む。
  論文  参考訳（メタデータ） (2020-11-17T19:29:08Z)
• An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
  本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。 本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。 現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-19T06:00:13Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。