論文の概要: Cortical surface registration using unsupervised learning

• arxiv url: http://arxiv.org/abs/2004.04617v2
• Date: Thu, 9 Jul 2020 09:06:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 03:29:38.400058
• Title: Cortical surface registration using unsupervised learning
• Title（参考訳）: 教師なし学習による皮質表面の登録
• Authors: Jieyu Cheng, Adrian V. Dalca, Bruce Fischl, Lilla Zollei (for the Alzheimer's Disease Neuroimaging Initiative)
• Abstract要約: 非剛性皮質登録は、ヒト大脳皮質の幾何学的複雑さのために重要かつ困難な課題である。 球面を2次元平面に投影することで生じる歪みにより,近年の学習に基づく表面面の手法は粗悪な結果をもたらす。 SphereMorphは、これらの問題に対処するディープネットワークを用いた皮質表面の微分型登録フレームワークである。
• 参考スコア（独自算出の注目度）: 8.57142014602892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-rigid cortical registration is an important and challenging task due to the geometric complexity of the human cortex and the high degree of inter-subject variability. A conventional solution is to use a spherical representation of surface properties and perform registration by aligning cortical folding patterns in that space. This strategy produces accurate spatial alignment but often requires a high computational cost. Recently, convolutional neural networks (CNNs) have demonstrated the potential to dramatically speed up volumetric registration. However, due to distortions introduced by projecting a sphere to a 2D plane, a direct application of recent learning-based methods to surfaces yields poor results. In this study, we present SphereMorph, a diffeomorphic registration framework for cortical surfaces using deep networks that addresses these issues. SphereMorph uses a UNet-style network associated with a spherical kernel to learn the displacement field and warps the sphere using a modified spatial transformer layer. We propose a resampling weight in computing the data fitting loss to account for distortions introduced by polar projection, and demonstrate the performance of our proposed method on two tasks, including cortical parcellation and group-wise functional area alignment. The experiments show that the proposed SphereMorph is capable of modeling the geometric registration problem in a CNN framework and demonstrate superior registration accuracy and computational efficiency. The source code of SphereMorph will be released to the public upon acceptance of this manuscript at https://github.com/voxelmorph/spheremorph.
• Abstract（参考訳）: 非剛性皮質登録は、ヒト大脳皮質の幾何学的複雑さと高い対象間変動のために重要かつ困難な課題である。 従来の解決策は、表面特性の球面表現を用い、その空間における皮質の折りたたみパターンを整列させて登録を行うことである。 この戦略は正確な空間アライメントを生成するが、しばしば高い計算コストを必要とする。 近年,畳み込みニューラルネットワーク(cnns)がボリューム登録を劇的に高速化する可能性を実証している。 しかし、球面を2次元平面に投影することによって生じる歪みにより、近年の学習手法による表面への直接的適用は結果の低下をもたらす。 本研究では,これらの問題に対処するディープネットワークを用いた皮質表面の微分型登録フレームワークであるSphereMorphを提案する。 SphereMorphは、球面カーネルに関連するUNetスタイルのネットワークを使用して、変位場を学習し、修正された空間変換器層を用いて球面をワープする。 本研究では、極性投射による歪みを考慮したデータフィッティング損失の計算における再サンプリング重みを提案し、大脳皮質パーセレーションとグループワイド機能領域アライメントを含む2つのタスクにおける提案手法の性能を示す。 実験により,提案したSphereMorphはCNNフレームワークにおける幾何登録問題をモデル化し,より優れた登録精度と計算効率を示す。 spheremorphのソースコードは、https://github.com/voxelmorph/spheremorph.comで公開された。

関連論文リスト

• GESH-Net: Graph-Enhanced Spherical Harmonic Convolutional Networks for Cortical Surface Registration [8.896542371748115]
  本稿では,皮質表面画像登録技術を研究するためのディープラーニングモデルを構築した。 マルチスケールのカスケード構造に基づく教師なしの皮質表面登録ネットワークを設計する。 グラフ対応モジュールを登録ネットワークに導入し、グラフアテンションモジュールを使用してネットワークがグローバルな機能を学ぶのを支援する。
  論文  参考訳（メタデータ） (2024-10-18T18:21:47Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• SphereDiffusion: Spherical Geometry-Aware Distortion Resilient Diffusion Model [63.685132323224124]
  制御可能な球状パノラマ画像生成は、様々な領域でかなりの応用可能性を持っている。 本稿では,これらの課題に対処するために,SphereDiffusionの新しいフレームワークを提案する。 Structured3Dデータセットの実験では、SphereDiffusionは制御可能な球面画像生成の品質を大幅に改善し、平均して約35%のFIDを相対的に削減している。
  論文  参考訳（メタデータ） (2024-03-15T06:26:46Z)
• Unsupervised Multimodal Surface Registration with Geometric Deep Learning [3.3403308469369577]
  GeoMorphは、皮質表面の画像登録用に設計された新しい幾何学的深層学習フレームワークである。 よりスムーズな変形によるアライメントの改善により,GeoMorphは既存のディープラーニング手法よりも優れていることを示す。 このような汎用性と堅牢性は、様々な神経科学応用に強い可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-21T22:05:00Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• A Deep-Discrete Learning Framework for Spherical Surface Registration [4.7633236054762875]
  皮質表面の登録は神経画像解析の基本的なツールである。 本稿では,登録を多ラベル分類問題に変換する,教師なし学習に基づく新しいフレームワークを提案する。 実験により,提案するフレームワークは,最もポピュラーな古典的表面登録アルゴリズムと比較して,類似性やアラル歪みの点で競合的に動作することが示された。
  論文  参考訳（メタデータ） (2022-03-24T11:47:11Z)
• Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
  ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。 従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
  論文  参考訳（メタデータ） (2022-02-16T21:24:54Z)
• Geodesic squared exponential kernel for non-rigid shape registration [0.0]
  この研究は、3Dスキャンの非剛性登録の問題に対処する。 ガウスプロセス型モデルのためのジオデシックに基づく新しいカーネルを提案する。 本研究では,ジオデシック2乗指数カーネルが,顔登録作業において,技術カーネルの状態よりもはるかに優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-12-22T13:01:00Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
  畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。 この目標をシンプルで効果的な設計で効果的に達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-08T03:35:32Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。