論文の概要: Deform-GAN:An Unsupervised Learning Model for Deformable Registration

• arxiv url: http://arxiv.org/abs/2002.11430v1
• Date: Wed, 26 Feb 2020 12:20:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 15:19:00.958480
• Title: Deform-GAN:An Unsupervised Learning Model for Deformable Registration
• Title（参考訳）: Deform-GAN: 変形可能な登録のための教師なし学習モデル
• Authors: Xiaoyue Zhang, Weijian Jian, Yu Chen, Shihting Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.030402376540977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable registration is one of the most challenging task in the field of medical image analysis, especially for the alignment between different sequences and modalities. In this paper, a non-rigid registration method is proposed for 3D medical images leveraging unsupervised learning. To the best of our knowledge, this is the first attempt to introduce gradient loss into deep-learning-based registration. The proposed gradient loss is robust across sequences and modals for large deformation. Besides, adversarial learning approach is used to transfer multi-modal similarity to mono-modal similarity and improve the precision. Neither ground-truth nor manual labeling is required during training. We evaluated our network on a 3D brain registration task comprehensively. The experiments demonstrate that the proposed method can cope with the data which has non-functional intensity relations, noise and blur. Our approach outperforms other methods especially in accuracy and speed.
• Abstract（参考訳）: 変形可能な登録は、特に異なるシーケンスとモダリティの整合性において、医療画像解析の分野で最も難しい課題の1つである。 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。 我々の知る限りでは、これはディープラーニングベースの登録に勾配損失を導入する最初の試みである。 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。 さらに, 対数学習手法を用いて, 多モード類似性をモノモーダル類似性に移行し, 精度を向上させる。 トレーニング中は、接地や手動のラベリングは不要である。 我々は3次元脳登録タスクを網羅的に評価した。 実験により,提案手法が非機能的な強度関係,雑音,ぼけを持つデータに対処できることを実証した。 我々の手法は特に精度と速度で他の手法より優れている。

関連論文リスト

• 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)
• Multi-modal unsupervised brain image registration using edge maps [7.49320945341034]
  本稿では,マルチモーダル画像登録手法を提案する。 この背景にある直感は、強い勾配の像の位置が組織の遷移を意味すると仮定されている。 我々は3つの異なる損失関数を用いて、異なる被験者のマルチモーダル(T1wからT2w)磁気共鳴(MR)脳画像を登録する状況において、我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2022-02-09T15:50:14Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Multi-scale Neural ODEs for 3D Medical Image Registration [7.715565365558909]
  医用画像解析において画像登録は重要な役割を担っている。 ラーニング・トゥ・マップのような深層学習手法はより高速であるが、大きな動きを扱うための精度を改善するために反復的あるいは粗大なアプローチが必要である。 本研究では,マルチスケールのニューラルODEモデルを用いて登録を学習することを提案する。
  論文  参考訳（メタデータ） (2021-06-16T00:26:53Z)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)
• Planar 3D Transfer Learning for End to End Unimodal MRI Unbalanced Data Segmentation [0.0]
  本稿では,事前学習した2次元畳み込みニューラルネットワーク重みを平面3次元カーネルにマッピングする手法を提案する。 提案手法は2次元VGG-16から転送されるエンコーダを備えた平面3Dres-u-netネットワークにより検証される。
  論文  参考訳（メタデータ） (2020-11-23T17:11:50Z)
• F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration [21.99118499516863]
  変形性画像登録(DIR)は多くの画像誘導療法に必須である。 我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。 1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。 他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
  論文  参考訳（メタデータ） (2020-09-15T15:05:54Z)
• 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)
• A Multiple Decoder CNN for Inverse Consistent 3D Image Registration [18.017296651822857]
  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。
  論文  参考訳（メタデータ） (2020-02-15T23:23:09Z)

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。