論文の概要: RegQCNET: Deep Quality Control for Image-to-template Brain MRI Affine Registration

• arxiv url: http://arxiv.org/abs/2005.06835v2
• Date: Wed, 16 Sep 2020 16:58:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 04:57:43.525075
• Title: RegQCNET: Deep Quality Control for Image-to-template Brain MRI Affine Registration
• Title（参考訳）: RegQCNET:イメージ・トゥ・テンポレート脳MRIアフィン登録のための深い品質制御
• Authors: Baudouin Denis de Senneville, Jos\'e V. Manjon, Pierrick Coup\'e
• Abstract要約: コンパクトな3D畳み込みニューラルネットワーク(CNN)を導入し、アフィン登録ミスマッチの振幅を定量的に予測する。 提案したRegQCNETのロバスト性は、まず様々な空間変換を模擬したライフスパン脳画像に基づいて解析される。 その結果,提案したディープラーニングQCは,処理パイプラインにおけるアフィン登録誤差を推定するために,堅牢で高速かつ高精度であることがわかった。
• 参考スコア（独自算出の注目度）: 0.44533271775957767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Affine registration of one or several brain image(s) onto a common reference space is a necessary prerequisite for many image processing tasks, such as brain segmentation or functional analysis. Manual assessment of registration quality is a tedious and time-consuming task, especially in studies comprising a large amount of data. An automated and reliable quality control (QC) becomes mandatory. Moreover, the computation time of the QC must be also compatible with the processing of massive datasets. Therefore, an automated deep neural network approaches appear as a method of choice to automatically assess registration quality. In the current study, a compact 3D convolutional neural network (CNN), referred to as RegQCNET, is introduced to quantitatively predict the amplitude of an affine registration mismatch between a registered image and a reference template. This quantitative estimation of registration error is expressed using metric unit system. Therefore, a meaningful task-specific threshold can be manually or automatically defined in order to distinguish usable and non-usable images. The robustness of the proposed RegQCNET is first analyzed on lifespan brain images undergoing various simulated spatial transformations and intensity variations between training and testing. Secondly, the potential of RegQCNET to classify images as usable or non-usable is evaluated using both manual and automatic thresholds. During our experiments, automatic thresholds are estimated using several computer-assisted classification models through cross-validation. To this end we used expert's visual quality control estimated on a lifespan cohort of 3953 brains. Finally, the RegQCNET accuracy is compared to usual image features. Results show that the proposed deep learning QC is robust, fast and accurate to estimate affine registration error in processing pipeline.
• Abstract（参考訳）: 共通参照空間への1つまたは複数の脳画像のアフィン登録は、脳のセグメンテーションや機能解析のような多くの画像処理タスクに必須の条件である。 登録品質のマニュアル評価は、特に大量のデータを含む研究において、面倒で時間を要する作業である。 自動化され信頼性の高い品質管理(qc)が必須になる。 さらに、QCの計算時間は、大量のデータセットの処理と互換性がある必要がある。 したがって、自動的なディープニューラルネットワークアプローチは、自動的に登録品質を評価する方法として現れる。 本稿では、登録画像と参照テンプレートとの間のアフィン登録ミスマッチの振幅を定量的に予測するために、RegQCNETと呼ばれるコンパクトな3D畳み込みニューラルネットワーク(CNN)を導入する。 この測定単位系を用いて登録誤差の定量的推定を行う。 したがって、有用で使用不能な画像を区別するために、有意義なタスク固有のしきい値を手動または自動で定義することができる。 提案したRegQCNETのロバスト性は、様々な空間変換とトレーニングとテストの間の強度変化をシミュレートしたライフスパン脳画像に基づいて初めて分析される。 第2に、手作業による閾値と自動しきい値の両方を用いて、画像が使用可能または使用不可能と分類できるregqcnetの可能性を評価する。 実験では, クロスバリデーションによる複数のコンピュータ支援分類モデルを用いて, 自動しきい値の推定を行った。 この目的のために、3953脳の寿命コホートに基づいて、専門家の視覚的品質制御を使用した。 最後に、regqcnetの精度を通常の画像特徴と比較する。 その結果,提案するディープラーニングqcはロバストで高速であり,処理パイプラインにおけるアフィン登録誤差を推定できることがわかった。

関連論文リスト

• Reference-Free Image Quality Metric for Degradation and Reconstruction Artifacts [2.5282283486446753]
  品質要因予測器(QF)と呼ばれる基準のない品質評価ネットワークを開発する。 我々のQF予測器は7層からなる軽量で完全な畳み込みネットワークである。 JPEG圧縮画像パッチを入力としてランダムQFを受信し、対応するQFを正確に予測するように訓練する。
  論文  参考訳（メタデータ） (2024-05-01T22:28:18Z)
• Automation of Quantum Dot Measurement Analysis via Explainable Machine Learning [0.0]
  本研究では,合成三角形の数学的モデリングによる画像ベクトル化手法を提案する。 本手法は,精度を犠牲にすることなく,モデル予測の優れた説明性を提供することを示す。 この研究は、量子ドット計測の分析に説明可能な機械学習技術を適用する可能性と利点を実証する。
  論文  参考訳（メタデータ） (2024-02-21T11:00:23Z)
• 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)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• Automated Learning for Deformable Medical Image Registration by Jointly Optimizing Network Architectures and Objective Functions [69.6849409155959]
  本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。 マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。 我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2022-03-14T01:54:38Z)
• Learning Transformer Features for Image Quality Assessment [53.51379676690971]
  本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。 提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
  論文  参考訳（メタデータ） (2021-12-01T13:23:00Z)
• Correlation between image quality metrics of magnetic resonance images and the neural network segmentation accuracy [0.0]
  本研究では,MR画像の画質指標とニューラルネットワークのセグメンテーション精度の相関について検討した。 IQMに基づくトレーニング入力を用いたランダムなトレーニング入力に基づくモデル間のセグメンテーション精度の違いは、セグメンテーション精度における画像品質指標の役割に光を当てた。
  論文  参考訳（メタデータ） (2021-11-01T17:02:34Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
  本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成される その結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
  論文  参考訳（メタデータ） (2021-10-20T14:23:24Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)
• Test-Time Training for Deformable Multi-Scale Image Registration [15.523457398508263]
  VoxelMorphのようなディープラーニングベースの登録アプローチが出現し、競争パフォーマンスを達成しています。 従来の学習型登録モデルの一般化能力を向上させるために, デフォーマブル画像登録のためのテストタイムトレーニングを構築した。
  論文  参考訳（メタデータ） (2021-03-25T03:22:59Z)

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。