論文の概要: Biomechanics-informed Neural Networks for Myocardial Motion Tracking in MRI

• arxiv url: http://arxiv.org/abs/2006.04725v3
• Date: Wed, 8 Jul 2020 09:42:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 02:28:40.248126
• Title: Biomechanics-informed Neural Networks for Myocardial Motion Tracking in MRI
• Title（参考訳）: MRIにおける心筋運動追跡のためのバイオメカニクスインフォームドニューラルネットワーク
• Authors: Chen Qin, Shuo Wang, Chen Chen, Huaqi Qiu, Wenjia Bai and Daniel Rueckert
• Abstract要約: 本稿では,バイオメカニクスによる正規化を暗黙的に学習する手法を提案する。 心臓MRIデータの2次元スタック上での心筋運動追跡の文脈において,本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 15.686391154738006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration is an ill-posed inverse problem which often requires regularisation on the solution space. In contrast to most of the current approaches which impose explicit regularisation terms such as smoothness, in this paper we propose a novel method that can implicitly learn biomechanics-informed regularisation. Such an approach can incorporate application-specific prior knowledge into deep learning based registration. Particularly, the proposed biomechanics-informed regularisation leverages a variational autoencoder (VAE) to learn a manifold for biomechanically plausible deformations and to implicitly capture their underlying properties via reconstructing biomechanical simulations. The learnt VAE regulariser then can be coupled with any deep learning based registration network to regularise the solution space to be biomechanically plausible. The proposed method is validated in the context of myocardial motion tracking on 2D stacks of cardiac MRI data from two different datasets. The results show that it can achieve better performance against other competing methods in terms of motion tracking accuracy and has the ability to learn biomechanical properties such as incompressibility and strains. The method has also been shown to have better generalisability to unseen domains compared with commonly used L2 regularisation schemes.
• Abstract（参考訳）: 画像登録は、しばしば解空間の正規化を必要とする不測の逆問題である。 本稿では, 平滑性などの明示的な正規化条件を課す現在のアプローチのほとんどとは対照的に, バイオメカニクスによる正規化を暗黙的に学習できる新しい手法を提案する。 このようなアプローチは、アプリケーション固有の事前知識をディープラーニングベースの登録に組み込むことができる。 特に, 生体力学的に妥当な変形の多様体を学習するために変分オートエンコーダ(vae)を活用し, 生体力学的シミュレーションを再構成することでその基礎特性を暗黙的に把握する。 学習されたvae正規化器は、任意の深層学習ベースの登録ネットワークと結合して、生体力学的に実現可能な解空間を定式化することができる。 提案手法は2つの異なるデータセットから得られた2次元心筋mriデータを用いた心筋運動追跡の文脈で検証される。 その結果,運動追跡精度の点で他の競合手法よりも優れた性能を示し,非圧縮性やひずみなどの生体力学的特性を学習できることを示した。 この手法は、一般的なl2正規化スキームと比較して、未検出領域に対するより良い一般化性も示されている。

関連論文リスト

• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• LIBR+: Improving Intraoperative Liver Registration by Learning the Residual of Biomechanics-Based Deformable Registration [6.0499389232972565]
  線形弾性バイオメカニクスに基づく線形化反復境界再構成(LIBR)手法を利用した新しいテクスタイブリッド登録手法を提案する。 また,二分岐スプライン残差グラフ畳み込みニューラルネットワーク(SR-GCN)を定式化し,スパースおよび可変術中測定からの情報の同化を行う。
  論文  参考訳（メタデータ） (2024-03-11T16:54:44Z)
• GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
  学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。 我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。 提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
  論文  参考訳（メタデータ） (2023-06-26T13:32:09Z)
• Non-rigid Medical Image Registration using Physics-informed Neural Networks [8.7196937169933]
  軟組織の生体力学的モデリングは、医用画像の登録を制限する非データ駆動方式を提供する。 この研究は、最近提案された物理インフォームドニューラルネットワーク(PINN)を、前立腺運動をモデル化するための3次元線形弾性モデルにインスタンス化する。
  論文  参考訳（メタデータ） (2023-02-20T22:17:29Z)
• Learning correspondences of cardiac motion from images using biomechanics-informed modeling [7.193217430660012]
  予測変位ベクトル場(DVF)上での正則化として, バイオメカニクスを前もって明示的に表現する手法を提案する。 提案手法は,視覚的評価による生体力学的特性の保存性を向上し,定量的評価指標を用いたセグメンテーション性能の優位性を示す。
  論文  参考訳（メタデータ） (2022-09-01T20:59:26Z)
• Generative Myocardial Motion Tracking via Latent Space Exploration with Biomechanics-informed Prior [16.129107206314043]
  心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。 画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。 本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-08T12:02:00Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• Registration by tracking for sequential 2D MRI [0.0]
  本稿では,2次元MR画像の逐次特性を利用して変位場を推定する画像登録手法を提案する。 本手法は, セグメンテーション心データセットを用いて評価し, 従来の2つの手法と比較すると, 改善された評価結果が得られた。
  論文  参考訳（メタデータ） (2020-03-24T13:12:42Z)

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。