論文の概要: Anatomical Data Augmentation via Fluid-based Image Registration

• arxiv url: http://arxiv.org/abs/2007.02447v1
• Date: Sun, 5 Jul 2020 21:06:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 08:32:20.796111
• Title: Anatomical Data Augmentation via Fluid-based Image Registration
• Title（参考訳）: 流体画像登録による解剖学的データ増大
• Authors: Zhengyang Shen, Zhenlin Xu, Sahin Olut, Marc Niethammer
• Abstract要約: 医用画像解析のための流体画像強調法を提案する。 既存の手法とは対照的に,我々のフレームワークは測地線部分空間を介して有意義な画像を生成する。
• 参考スコア（独自算出の注目度）: 23.280420626023755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a fluid-based image augmentation method for medical image analysis. In contrast to existing methods, our framework generates anatomically meaningful images via interpolation from the geodesic subspace underlying given samples. Our approach consists of three steps: 1) given a source image and a set of target images, we construct a geodesic subspace using the Large Deformation Diffeomorphic Metric Mapping (LDDMM) model; 2) we sample transformations from the resulting geodesic subspace; 3) we obtain deformed images and segmentations via interpolation. Experiments on brain (LPBA) and knee (OAI) data illustrate the performance of our approach on two tasks: 1) data augmentation during training and testing for image segmentation; 2) one-shot learning for single atlas image segmentation. We demonstrate that our approach generates anatomically meaningful data and improves performance on these tasks over competing approaches. Code is available at https://github.com/uncbiag/easyreg.
• Abstract（参考訳）: 医用画像解析のための流体画像強調法を提案する。 既存の手法とは対照的に,本フレームワークは,与えられたサンプルの基盤となる測地線部分空間からの補間により,解剖学的に有意な画像を生成する。 私たちのアプローチは3つのステップからなる。 1) 原画像と対象画像の集合が与えられた場合、大変形拡散型距離マッピング(LDDMM)モデルを用いて測地部分空間を構築する。 2) 得られた測地線部分空間から変換をサンプリングする。 3)補間により変形画像とセグメンテーションを得る。 脳(LPBA)と膝(OAI)のデータを用いた実験では,2つの課題に対するアプローチのパフォーマンスが示されている。 1) 画像分割のための訓練及び試験中のデータ拡張 2)単一アトラス画像セグメンテーションのためのワンショット学習 我々は,本手法が解剖学的に意味のあるデータを生成し,これらのタスクの性能を競合するアプローチよりも向上することを示した。 コードはhttps://github.com/uncbiag/easyregで入手できる。

関連論文リスト

• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [50.576354045312115]
  直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。 画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。 そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• Promise:Prompt-driven 3D Medical Image Segmentation Using Pretrained Image Foundation Models [13.08275555017179]
  単点プロンプトのみを用いたプロンプト駆動型3次元医用画像分割モデルProMISeを提案する。 今回,大腸癌と膵腫瘍の2つの領域に分布する2つのパブリックデータセットについて検討した。
  論文  参考訳（メタデータ） (2023-10-30T16:49:03Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
  正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。 その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-23T20:55:11Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• CT Image Synthesis Using Weakly Supervised Segmentation and Geometric Inter-Label Relations For COVID Image Analysis [4.898744396854313]
  解剖学的ラベル間の関係を学習し,GANを用いた医用画像合成法の改良を提案する。 本手法から得られた合成画像を用いて,肺CT画像から新型コロナウイルス感染領域を抽出するネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-06-15T07:21:24Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。