論文の概要: Tackling the Problem of Large Deformations in Deep Learning Based Medical Image Registration Using Displacement Embeddings

• arxiv url: http://arxiv.org/abs/2005.13338v1
• Date: Wed, 27 May 2020 13:06:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 09:44:21.291532
• Title: Tackling the Problem of Large Deformations in Deep Learning Based Medical Image Registration Using Displacement Embeddings
• Title（参考訳）: 深層学習における大変形問題に取り組む : 変位埋め込みを用いた医用画像登録
• Authors: Lasse Hansen, Mattias P. Heinrich
• Abstract要約: 深層学習をベースとした 医用画像の登録は 依然として 従来のフレームワークより 遅れている 本稿では,入力画像を変位空間にマッピングし,この埋め込みから最終的な登録を再構築する手法を提案する。 吸入-吸入CT肺登録実験により, ネットワークを経由した1本の前方経路における大きな変形を予測できることが実証された。
• 参考スコア（独自算出の注目度）: 8.88841928746097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Though, deep learning based medical image registration is currently starting to show promising advances, often, it still fells behind conventional frameworks in terms of registration accuracy. This is especially true for applications where large deformations exist, such as registration of interpatient abdominal MRI or inhale-to-exhale CT lung registration. Most current works use U-Net-like architectures to predict dense displacement fields from the input images in different supervised and unsupervised settings. We believe that the U-Net architecture itself to some level limits the ability to predict large deformations (even when using multilevel strategies) and therefore propose a novel approach, where the input images are mapped into a displacement space and final registrations are reconstructed from this embedding. Experiments on inhale-to-exhale CT lung registration demonstrate the ability of our architecture to predict large deformations in a single forward path through our network (leading to errors below 2 mm).
• Abstract（参考訳）: 深層学習に基づく医用画像の登録は現在、将来性のある進歩を見せ始めているが、多くの場合、登録精度の点で従来のフレームワークに劣っている。 これは特に、患者間腹部MRIの登録や吸入-吸入CT肺の登録など、大きな変形が存在するアプリケーションに当てはまる。 現在の作品のほとんどはu-netライクなアーキテクチャを使用して、異なる教師なし設定と教師なし設定の入力画像からの濃密な変位を予測している。 我々は、U-Netアーキテクチャ自体が大きな変形を予測する能力(マルチレベル戦略を用いても)を制限していると信じており、入力画像を変位空間にマッピングし、この埋め込みから最終的な登録を再構築する新しいアプローチを提案する。 inhale-to-exhale ct肺レジストレーション実験では,ネットワーク内の単一前方経路における大きな変形を予測できる(誤差が2mm以下となる)。

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)
• 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)
• Deformable Image Registration with Deep Network Priors: a Study on Longitudinal PET Images [0.5949967357689445]
  本稿では,Deep Image Priorに触発されて,画像登録問題に取り組むためのレギュレータとして,Deep Architectureの異なる利用法を提案する。 変形場を制約する先行モデルである深層ピラミッド構造に頼って,MIRRBAと呼ばれる対象固有の変形可能な登録手法を提案する。 深層建築の正規化力を実証し,登録のための深層学習手法におけるアーキテクチャの役割を理解するための新しい要素を提示する。
  論文  参考訳（メタデータ） (2021-11-22T10:58:14Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• 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)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration [21.99118499516863]
  変形性画像登録(DIR)は多くの画像誘導療法に必須である。 我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。 1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。 他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
  論文  参考訳（メタデータ） (2020-09-15T15:05:54Z)
• 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)
• 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。