論文の概要: Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond
- arxiv url: http://arxiv.org/abs/2004.14557v4
- Date: Thu, 30 Sep 2021 01:12:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 04:59:49.963406
- Title: Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond
- Title（参考訳）: 最適化による変形可能な画像登録の学習:展望、モジュール、バイレベルトレーニングなど
- Authors: Risheng Liu, Zi Li, Xin Fan, Chenying Zhao, Hao Huang and Zhongxuan
Luo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 62.730497582218284
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional deformable registration methods aim at solving an optimization
model carefully designed on image pairs and their computational costs are
exceptionally high. In contrast, recent deep learning based approaches can
provide fast deformation estimation. These heuristic network architectures are
fully data-driven and thus lack explicit geometric constraints, e.g.,
topology-preserving, which are indispensable to generate plausible
deformations. We design a new deep learning based framework to optimize a
diffeomorphic model via multi-scale propagation in order to integrate
advantages and avoid limitations of these two categories of approaches.
Specifically, we introduce a generic optimization model to formulate
diffeomorphic registration and develop a series of learnable architectures to
obtain propagative updating in the coarse-to-fine feature space. Moreover, we
propose a novel bilevel self-tuned training strategy, allowing efficient search
of task-specific hyper-parameters. This training strategy increases the
flexibility to various types of data while reduces computational and human
burdens. We conduct two groups of image registration experiments on 3D volume
datasets including image-to-atlas registration on brain MRI data and
image-to-image registration on liver CT data. Extensive results demonstrate the
state-of-the-art performance of the proposed method with diffeomorphic
guarantee and extreme efficiency. We also apply our framework to challenging
multi-modal image registration, and investigate how our registration to support
the down-streaming tasks for medical image analysis including multi-modal
fusion and image segmentation.
- Abstract（参考訳）: 従来の変形可能な登録手法は,画像ペアを念頭に設計した最適化モデルを解くことを目的としており,計算コストは極めて高い。
対照的に、最近のディープラーニングベースのアプローチは、迅速な変形推定を可能にする。
これらのヒューリスティックネットワークアーキテクチャは完全にデータ駆動であり、トポロジー保存のような明示的な幾何学的制約を欠いている。
我々は,この2つのアプローチの制限を回避するために,マルチスケール伝播による2相モデル最適化のための新しいディープラーニングフレームワークを設計した。
具体的には,diffeomorphic registration を定式化する汎用最適化モデルを導入し,粗視から細かな特徴空間における伝達的更新を実現するための学習可能なアーキテクチャを開発した。
さらに,タスク固有のハイパーパラメータを効率的に探索できる,新しい2段階の自己調整型トレーニング戦略を提案する。
このトレーニング戦略は、計算や人的負担を軽減しつつ、様々な種類のデータに対する柔軟性を高める。
脳MRIデータへの画像-アトラス登録と肝CTデータへの画像-画像登録の2つのグループを3次元ボリュームデータセットで行う。
その結果, 微分型保証と極効率を併用して, 提案手法の最先端性能を実証した。
また,マルチモーダル画像登録に挑戦する枠組みを適用し,マルチモーダル融合やイメージセグメンテーションを含む医用画像解析において,ダウンストリームタスクをどのようにサポートするかを検討する。
関連論文リスト
- Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。
本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
論文 参考訳（メタデータ） (2024-05-23T09:13:36Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Bridging Synthetic and Real Images: a Transferable and Multiple
Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。
また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文 参考訳（メタデータ） (2023-02-23T06:16:15Z) - Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。
提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文 参考訳（メタデータ） (2022-08-05T19:05:16Z) - A training-free recursive multiresolution framework for diffeomorphic
deformable image registration [6.929709872589039]
変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。
提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。
システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
論文 参考訳（メタデータ） (2022-02-01T15:17:17Z) - 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) - Image-specific Convolutional Kernel Modulation for Single Image
Super-resolution [85.09413241502209]
本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。
我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。
単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-11-16T11:05:10Z) - 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) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳（メタデータ） (2020-04-01T12:56:13Z)
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。