論文の概要: Unsupervised Deformable Medical Image Registration via Pyramidal
Residual Deformation Fields Estimation
- arxiv url: http://arxiv.org/abs/2004.07624v1
- Date: Thu, 16 Apr 2020 12:24:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 21:46:32.977274
- Title: Unsupervised Deformable Medical Image Registration via Pyramidal
Residual Deformation Fields Estimation
- Title（参考訳）: ピラミッド状残留変形場推定による教師なし変形型医用画像登録
- Authors: Yujia Zhou, Shumao Pang, Jun Cheng, Yuhang Sun, Yi Wu, Lei Zhao, Yaqin
Liu, Zhentai Lu, Wei Yang, and Qianjin Feng
- Abstract要約: 多くの医用画像登録アプリケーションにおいて、変形場推定は重要かつ困難な問題である。
本研究では, 動画像と固定画像のピラミッド状特徴集合を構築し, 歪んだ動画像と固定画像を用いて, 各スケールの「残留」変形場を推定した。
本手法は, 変形場の登録精度と合理性を向上させる。
- 参考スコア（独自算出の注目度）: 24.413236251959137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deformation field estimation is an important and challenging issue in many
medical image registration applications. In recent years, deep learning
technique has become a promising approach for simplifying registration
problems, and has been gradually applied to medical image registration.
However, most existing deep learning registrations do not consider the problem
that when the receptive field cannot cover the corresponding features in the
moving image and the fixed image, it cannot output accurate displacement
values. In fact, due to the limitation of the receptive field, the 3 x 3 kernel
has difficulty in covering the corresponding features at high/original
resolution. Multi-resolution and multi-convolution techniques can improve but
fail to avoid this problem. In this study, we constructed pyramidal feature
sets on moving and fixed images and used the warped moving and fixed features
to estimate their "residual" deformation field at each scale, called the
Pyramidal Residual Deformation Field Estimation module (PRDFE-Module). The
"total" deformation field at each scale was computed by upsampling and weighted
summing all the "residual" deformation fields at all its previous scales, which
can effectively and accurately transfer the deformation fields from low
resolution to high resolution and is used for warping the moving features at
each scale. Simulation and real brain data results show that our method
improves the accuracy of the registration and the rationality of the
deformation field.
- Abstract（参考訳）: 変形場推定は多くの医用画像登録アプリケーションにおいて重要かつ困難な問題である。
近年, 深層学習技術は, 登録問題を単純化するための有望なアプローチとなり, 医用画像登録に徐々に応用されてきた。
しかし、既存のディープラーニング登録では、移動画像と固定画像の対応する特徴を受容場がカバーできない場合、正確な変位値を出力できないという問題を考慮していない。
実際、受容野の制限のため、3x3カーネルは対応する特徴を高解像度/高解像度でカバーすることが困難である。
マルチレゾリューションとマルチコンボリューションの技術は改善するが、この問題は回避できない。
本研究では, 移動画像と固定画像のピラミッド型特徴集合を構築し, 反りのある移動画像と固定画像を用いて, ピラミッド型残留変形場推定モジュール (prdfe-module) と呼ばれる各スケールの変形場を推定した。
各スケールの「トータル」変形場は、前回のすべてのスケールで全ての「再現」変形場をアップサンプリングして重み付けして計算され、効果的かつ正確に変形場を低分解能から高分解能に移すことができ、各スケールでの移動特性を乱すのに使用される。
シミュレーションと実脳データの結果から,本手法は変形場の登録精度と合理性を向上することが示された。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Breaking Modality Disparity: Harmonized Representation for Infrared and
Visible Image Registration [66.33746403815283]
シーン適応型赤外線と可視画像の登録を提案する。
我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。
我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
論文 参考訳（メタデータ） (2023-04-12T06:49:56Z) - 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) - Stochastic Planner-Actor-Critic for Unsupervised Deformable Image
Registration [33.72954116727303]
本稿では,大きく変形する医療画像の段階的登録を行う,新しい強化学習ベースのフレームワークを提案する。
本手法は2次元および3次元の医用画像データセットを用いて評価し,その一部は大きな変形を含む。
論文 参考訳（メタデータ） (2021-12-14T14:08:56Z) - 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) - Large Deformation Diffeomorphic Image Registration with Laplacian
Pyramid Networks [11.4219428942199]
本稿では,画像登録最適化問題を解くために,ラプラシアンピラミッド画像登録ネットワークを提案する。
提案手法は, 良好な微分特性と有望な登録速度を維持しつつ, 既存の手法よりも有意なマージンで性能を向上する。
論文 参考訳（メタデータ） (2020-06-29T16:10:40Z) - 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) - NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。
これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
論文 参考訳（メタデータ） (2020-04-06T20:46:37Z) - Learning Deformable Registration of Medical Images with Anatomical
Constraints [4.397224870979238]
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。
論文 参考訳（メタデータ） (2020-01-20T17:44:11Z)
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。