Fugu-MT 論文翻訳(概要): A Multiple Decoder CNN for Inverse Consistent 3D Image Registration

論文の概要: A Multiple Decoder CNN for Inverse Consistent 3D Image Registration

arxiv url: http://arxiv.org/abs/2002.06468v1
Date: Sat, 15 Feb 2020 23:23:09 GMT
ステータス: 処理完了
システム内更新日: 2022-12-31 23:21:35.113245
Title: A Multiple Decoder CNN for Inverse Consistent 3D Image Registration
Title（参考訳）: 逆整合3次元画像登録のための多重デコーダcnn
Authors: Abdullah Nazib, Clinton Fookes, Olivier Salvado, Dimitri Perrin
Abstract要約: ディープラーニング技術は、登録時間を劇的に削減し、登録精度を向上している。逆整合性を持つ登録フレームワークを提案する。我々は,LPBA40 MRIデータセット上で,この手法のトレーニングと試験を行い,高い性能を示す。
参考スコア（独自算出の注目度）: 18.017296651822857
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The recent application of deep learning technologies in medical image registration has exponentially decreased the registration time and gradually increased registration accuracy when compared to their traditional counterparts. Most of the learning-based registration approaches considers this task as a one directional problem. As a result, only correspondence from the moving image to the target image is considered. However, in some medical procedures bidirectional registration is required to be performed. Unlike other learning-based registration, we propose a registration framework with inverse consistency. The proposed method simultaneously learns forward transformation and backward transformation in an unsupervised manner. We perform training and testing of the method on the publicly available LPBA40 MRI dataset and demonstrate strong performance than baseline registration methods.
Abstract（参考訳）: 近年, 医用画像登録における深層学習技術の応用により, 登録時間が指数関数的に減少し, 従来に比べて徐々に登録精度が向上している。学習に基づく登録アプローチの多くは、このタスクを1つの方向性の問題と見なしている。その結果、移動画像から対象画像への対応のみを考慮した。しかし、一部の医療処置では双方向の登録が必要である。他の学習ベース登録とは異なり、逆整合性を持つ登録フレームワークを提案する。提案手法は,教師なし方式で前方変換と後方変換を同時に学習する。 LPBA40 MRIデータセット上で,本手法のトレーニングと試験を行い,ベースライン登録法よりも高い性能を示した。

関連論文リスト

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)
Non-iterative Coarse-to-fine Registration based on Single-pass Deep Cumulative Learning [11.795108660250843]
変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。 NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
論文参考訳（メタデータ） (2022-06-25T08:34:59Z)
A Transformer-based Network for Deformable Medical Image Registration [5.388525884890891]
変形可能な医用画像登録は臨床診断と治療において重要な役割を担っている。深層学習(DL)に基づく画像登録法が広く研究され,計算速度に優れた性能を示した。本稿では,トランスを用いた画像登録手法を提案する。
論文参考訳（メタデータ） (2022-02-24T13:45:45Z)
Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint [95.30864269428808]
現在のディープラーニング(DL)ベースの画像登録アプローチは、畳み込みニューラルネットワークを利用して、ある画像から別の画像への空間変換を学習する。一対のイメージ内のROIの類似性を最大化する領域整合性制約を持つ新しいデュアルフロー変換ネットワークを提案する。 4つの公開3次元MRIデータセットを用いた実験により,提案手法は精度と一般化において最高の登録性能が得られることを示した。
論文参考訳（メタデータ） (2021-12-04T05:30:44Z)
SAME: Deformable Image Registration based on Self-supervised Anatomical Embeddings [16.38383865408585]
この研究は、ピクセルレベルでの2つの画像間の密度の高い解剖学的/意味的対応を計算できる最近のアルゴリズムSAMに基づいて構築されている。本手法は, 画像登録をアフィン変換, 粗変形, 深部変形可能な3段階に分割する。
論文参考訳（メタデータ） (2021-09-23T18:03:11Z)
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)
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)
CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration [34.546992605648086]
サイクル整合性は、変形中のトポロジを保存するために暗黙の正規化を提供することで、画像登録性能を向上させる。医学的・非医学的な応用から得られた様々なデータセットに対する実験結果から,提案手法は,数秒以内に多様な画像対を効果的かつ正確に登録できることを示した。
論文参考訳（メタデータ） (2020-08-13T09:30:12Z)
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)
Deform-GAN:An Unsupervised Learning Model for Deformable Registration [4.030402376540977]
本稿では,教師なし学習を利用した3次元医用画像の非剛性登録手法を提案する。提案した勾配損失は、大きな変形のためのシーケンスやモーダルにわたって頑健である。トレーニング中は、接地や手動のラベリングは必要とされない。
論文参考訳（メタデータ） (2020-02-26T12:20:46Z)

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。