論文の概要: MvMM-RegNet: A new image registration framework based on multivariate
mixture model and neural network estimation
- arxiv url: http://arxiv.org/abs/2006.15573v2
- Date: Tue, 14 Jul 2020 04:38:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 02:40:34.927560
- Title: MvMM-RegNet: A new image registration framework based on multivariate
mixture model and neural network estimation
- Title（参考訳）: MvMM-RegNet:多変量混合モデルとニューラルネットワーク推定に基づく新しい画像登録フレームワーク
- Authors: Xinzhe Luo and Xiahai Zhuang
- Abstract要約: 生成モデル(MvMM)とニューラルネットワーク推定に基づく新しい画像登録フレームワークを提案する。
外観と解剖情報を一体化した生成モデルを構築し、グループ登録が可能な新規な損失関数を導出する。
マルチモーダル心画像への様々な応用のためのフレームワークの汎用性を強調した。
- 参考スコア（独自算出の注目度）: 14.36896617430302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current deep-learning-based registration algorithms often exploit
intensity-based similarity measures as the loss function, where dense
correspondence between a pair of moving and fixed images is optimized through
backpropagation during training. However, intensity-based metrics can be
misleading when the assumption of intensity class correspondence is violated,
especially in cross-modality or contrast-enhanced images. Moreover, existing
learning-based registration methods are predominantly applicable to pairwise
registration and are rarely extended to groupwise registration or simultaneous
registration with multiple images. In this paper, we propose a new image
registration framework based on multivariate mixture model (MvMM) and neural
network estimation. A generative model consolidating both appearance and
anatomical information is established to derive a novel loss function capable
of implementing groupwise registration. We highlight the versatility of the
proposed framework for various applications on multimodal cardiac images,
including single-atlas-based segmentation (SAS) via pairwise registration and
multi-atlas segmentation (MAS) unified by groupwise registration. We evaluated
performance on two publicly available datasets, i.e. MM-WHS-2017 and
MS-CMRSeg-2019. The results show that the proposed framework achieved an
average Dice score of $0.871\pm 0.025$ for whole-heart segmentation on MR
images and $0.783\pm 0.082$ for myocardium segmentation on LGE MR images.
- Abstract（参考訳）: 現在のディープラーニングベースの登録アルゴリズムは、トレーニング中のバックプロパゲーションによって、一対の移動画像と固定画像との密接な対応を最適化するロス関数として、強度に基づく類似度尺度を利用することが多い。
しかし、強度に基づくメトリクスは、特にクロスモダリティやコントラスト強調画像において、強度クラス対応の仮定に違反する場合、誤解を招くことがある。
また、既存の学習に基づく登録方法は、ペアワイズ登録に主に適用され、グループ登録や複数画像の同時登録に拡張されることは稀である。
本稿では,多変量混合モデル(MvMM)とニューラルネットワーク推定に基づく新しい画像登録フレームワークを提案する。
外観と解剖情報を一体化した生成モデルを構築し、グループ登録が可能な新規な損失関数を導出する。
本稿では,マルチモーダル心画像に対する各種応用について,ペアワイズ登録によるsas (single-atlas-based segmentation) やグループワイズ登録で統一されたmas (multi-atlas segmentation) など,汎用性について述べる。
MM-WHS-2017とMS-CMRSeg-2019の2つの公開データセットの性能評価を行った。
以上の結果から, MR画像上でのDiceスコアは平均0.871 pm 0.025ドル, LGE MR画像上での心筋セグメンテーションは0.783 pm 0.082ドルであった。
関連論文リスト
- SAMReg: SAM-enabled Image Registration with ROI-based Correspondence [12.163299991979574]
本稿では,医療用画像登録のための対の関心領域(ROI)に基づく新しい空間対応表現について述べる。
我々は,トレーニング(あるいはトレーニングデータ)や勾配に基づく微調整,即時的なエンジニアリングを必要としない新しい登録アルゴリズムSAMRegを開発した。
提案手法は,試験指標間でのインテンシティベース反復アルゴリズムとDDF予測学習ベースネットワークより優れている。
論文 参考訳（メタデータ） (2024-10-17T23:23:48Z) - 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) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - Mutual information neural estimation for unsupervised multi-modal
registration of brain images [0.0]
エンド・ツー・エンドのトレーニング可能なネットワークにおける画像ペア間のMI推定による深層学習に基づく登録手法の学習指導について提案する。
以上の結果から,2層ネットワークは単モードとマルチモーダルの両方で,サブ秒のランタイムで競合する結果が得られることがわかった。
リアルタイム臨床応用は、解剖学的構造の視覚的整合性が向上し、登録障害/アウトリージが減少するのに役立つだろう。
論文 参考訳（メタデータ） (2022-01-25T13:22:34Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-23T09:31:18Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Deep Group-wise Variational Diffeomorphic Image Registration [3.0022455491411653]
本稿では,複数の画像の同時登録を可能にするために,現在の学習ベース画像登録を拡張することを提案する。
本稿では,複数の画像の粘性測地線平均への登録と,利用可能な画像のいずれかを固定画像として使用可能な登録を両立できる汎用的な数学的枠組みを提案する。
論文 参考訳（メタデータ） (2020-10-01T07:37:28Z) - Cross-Modality Multi-Atlas Segmentation Using Deep Neural Networks [20.87045880678701]
高レベルの構造情報は、クロスモダリティ画像の信頼性の高い類似度測定を提供することができる。
この研究は、画像登録とラベル融合の両方がディープニューラルネットワーク(DNN)によって達成される、クロスモダリティ画像のための新しいMASフレームワークを提案する。
画像登録のための一貫した登録ネットワークを提案する。
ラベル融合では、アトラスとターゲットパッチの類似性を測定するために、数ショットの学習ネットワークを適用する。
論文 参考訳（メタデータ） (2020-08-15T02:57:23Z) - Prototype Mixture Models for Few-shot Semantic Segmentation [50.866870384596446]
サポートやクエリ画像内のオブジェクトが外観やポーズで大きく異なる可能性があるため、ショットのセグメンテーションは難しい。
プロトタイプベースセマンティック表現を強制するために,多種多様な画像領域と複数のプロトタイプとの相関関係を持つプロトタイプ混合モデル(PMMs)を提案する。
PMMはMS-COCOの5ショットセグメンテーション性能を最大5.82%改善し、モデルサイズと推論速度の適度なコストに留まった。
論文 参考訳（メタデータ） (2020-08-10T04:33:17Z) - CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。
CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
論文 参考訳（メタデータ） (2020-06-11T10:51:33Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
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。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z)
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。