論文の概要: DeepFLASH: An Efficient Network for Learning-based Medical Image Registration

• arxiv url: http://arxiv.org/abs/2004.02097v1
• Date: Sun, 5 Apr 2020 05:17:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 13:11:03.477120
• Title: DeepFLASH: An Efficient Network for Learning-based Medical Image Registration
• Title（参考訳）: DeepFLASH: 学習型医用画像登録のための効率的なネットワーク
• Authors: Jian Wang, Miaomiao Zhang
• Abstract要約: DeepFLASHは、学習に基づく医用画像登録のための効率的なトレーニングと推論を行う新しいネットワークである。 我々は2次元合成データと3次元実脳磁気共鳴(MR)画像の2つの異なる画像登録法でアルゴリズムを実証した。
• 参考スコア（独自算出の注目度）: 8.781861951759948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents DeepFLASH, a novel network with efficient training and inference for learning-based medical image registration. In contrast to existing approaches that learn spatial transformations from training data in the high dimensional imaging space, we develop a new registration network entirely in a low dimensional bandlimited space. This dramatically reduces the computational cost and memory footprint of an expensive training and inference. To achieve this goal, we first introduce complex-valued operations and representations of neural architectures that provide key components for learning-based registration models. We then construct an explicit loss function of transformation fields fully characterized in a bandlimited space with much fewer parameterizations. Experimental results show that our method is significantly faster than the state-of-the-art deep learning based image registration methods, while producing equally accurate alignment. We demonstrate our algorithm in two different applications of image registration: 2D synthetic data and 3D real brain magnetic resonance (MR) images. Our code is available at https://github.com/jw4hv/deepflash.
• Abstract（参考訳）: 本稿では,学習型医用画像登録のためのトレーニングと推論を効率的に行う新しいネットワークであるDeepFLASHを提案する。 高次元画像空間におけるトレーニングデータから空間変換を学習する既存のアプローチとは対照的に,我々は低次元帯域制限空間における新しい登録ネットワークを開発する。 これにより、高価なトレーニングと推論の計算コストとメモリフットプリントが劇的に削減される。 この目的を達成するために,まず,学習ベースの登録モデルに重要なコンポーネントを提供するニューラルネットワークの複雑な演算と表現を導入する。 次に、パラメータ化の少ない帯域制限空間に特徴付けられる変換場の明示的な損失関数を構築する。 実験結果から,本手法は最先端の深層学習に基づく画像登録法よりもはるかに高速であり,高精度なアライメントが得られた。 我々は2次元合成データと3次元実脳磁気共鳴(MR)画像の2つの異なる画像登録法でアルゴリズムを実証した。 私たちのコードはhttps://github.com/jw4hv/deepflashで利用可能です。

関連論文リスト

• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• 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)
• Implicit Optimizer for Diffeomorphic Image Registration [3.1970342304563037]
  本稿では,Diffomorphic Image Registration (IDIR) の高速かつ正確なインプシットを提案する。 提案手法を2つの大規模MR脳スキャンデータセットで評価し,提案手法が従来の画像登録手法よりも高速かつ優れた登録結果を提供することを示した。
  論文  参考訳（メタデータ） (2022-02-25T05:04:29Z)
• SimIPU: Simple 2D Image and 3D Point Cloud Unsupervised Pre-Training for Spatial-Aware Visual Representations [85.38562724999898]
  我々はSimIPUと呼ばれる2Dイメージと3Dポイントクラウドの教師なし事前学習戦略を提案する。 具体的には、モーダル内空間認識モジュールとモーダル間特徴相互作用モジュールからなるマルチモーダルコントラスト学習フレームワークを開発する。 我々の知る限りでは、屋外マルチモーダルデータセットに対する対照的な学習事前学習戦略を探求する最初の研究である。
  論文  参考訳（メタデータ） (2021-12-09T03:27:00Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Deformable Image Registration using Neural ODEs [15.245085400790002]
  ニューラル常微分方程式(NODE)を利用した汎用的で高速かつ高精度な微分型画像登録フレームワークを提案する。 従来の最適化手法と比較して、我々のフレームワークは実行時間を数十分から数十秒に短縮する。 実験の結果, 提案手法の登録結果は, 各種測定値において, 最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-07T12:54:17Z)
• Deep learning based geometric registration for medical images: How accurate can we get without visual features? [5.05806585671215]
  ディープラーニングは、画像登録のための新しいアプローチの開発を推進している。 本稿では,幾何学的特徴と最適化のみに基づく登録のための深層学習フレームワークを検討することで,正反対のアプローチを検討する。 実験では, 肺内構造の複雑なキーポイントグラフを用いて, 高密度エンコーダ・デコーダネットワークや他のポイントセット登録法を強力に上回って検証を行った。
  論文  参考訳（メタデータ） (2021-03-01T10:15:47Z)
• CNNs for JPEGs: A Study in Computational Cost [49.97673761305336]
  畳み込みニューラルネットワーク(CNN)は過去10年間で驚くべき進歩を遂げてきた。 CNNはRGBピクセルから直接データの堅牢な表現を学習することができる。 近年,圧縮領域から直接学習できる深層学習手法が注目されている。
  論文  参考訳（メタデータ） (2020-12-26T15:00:10Z)
• FDRN: A Fast Deformable Registration Network for Medical Images [3.3504365823045044]
  本稿では,高速な畳み込みニューラルネットワークを提案する。 FDRNは、コンパクトなネットワーク構造と効率的な学習により、既存の脳MR画像の最先端登録方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-04T14:09:51Z)
• 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。