論文の概要: A coarse-to-fine framework for unsupervised multi-contrast MR image
deformable registration with dual consistency constraint
- arxiv url: http://arxiv.org/abs/2008.01896v3
- Date: Tue, 16 Feb 2021 06:07:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 18:38:50.121548
- Title: A coarse-to-fine framework for unsupervised multi-contrast MR image
deformable registration with dual consistency constraint
- Title（参考訳）: 二重整合制約付き非教師付きマルチコントラストMR画像デフォルマブル登録のための粗粒間フレームワーク
- Authors: Weijian Huang, Hao Yang, Xinfeng Liu, Cheng Li, Ian Zhang, Rongpin
Wang, Hairong Zheng, Shanshan Wang
- Abstract要約: 本稿では, 高精度なマルチコントラストMR画像登録を実現するための, 教師なし学習に基づく新しいフレームワークを提案する。
具体的には、アフィンと変形可能な変換からなるエンドツーエンドの粗いネットワークアーキテクチャを設計する。
提案手法は,CPU上でテストする場合,最も競争力のあるSyN(Affine)よりも約10倍高速である。
- 参考スコア（独自算出の注目度）: 20.905285486843006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-contrast magnetic resonance (MR) image registration is useful in the
clinic to achieve fast and accurate imaging-based disease diagnosis and
treatment planning. Nevertheless, the efficiency and performance of the
existing registration algorithms can still be improved. In this paper, we
propose a novel unsupervised learning-based framework to achieve accurate and
efficient multi-contrast MR image registrations. Specifically, an end-to-end
coarse-to-fine network architecture consisting of affine and deformable
transformations is designed to improve the robustness and achieve end-to-end
registration. Furthermore, a dual consistency constraint and a new prior
knowledge-based loss function are developed to enhance the registration
performances. The proposed method has been evaluated on a clinical dataset
containing 555 cases, and encouraging performances have been achieved. Compared
to the commonly utilized registration methods, including VoxelMorph, SyN, and
LT-Net, the proposed method achieves better registration performance with a
Dice score of 0.8397 in identifying stroke lesions. With regards to the
registration speed, our method is about 10 times faster than the most
competitive method of SyN (Affine) when testing on a CPU. Moreover, we prove
that our method can still perform well on more challenging tasks with lacking
scanning information data, showing high robustness for the clinical
application.
- Abstract（参考訳）: マルチコントラストMRI(Multi-Contrast Magnetic resonance)画像登録は,画像診断と治療計画の迅速かつ正確な実現に有用である。
それでも既存の登録アルゴリズムの効率と性能は改善される。
本稿では,高精度なマルチコントラストMR画像登録を実現するための,教師なし学習に基づく新しいフレームワークを提案する。
特に、アフィンと変形可能な変換からなるエンドツーエンドの粗いネットワークアーキテクチャは、堅牢性を改善し、エンドツーエンドの登録を実現するために設計されている。
さらに、登録性能を高めるために、二重整合制約と新たな知識に基づく損失関数を開発する。
提案手法は, 555例の臨床データを用いて評価され, 有意な成績を上げている。
VoxelMorph, SyN, LT-Netなどの一般的な登録法と比較し, 脳卒中病変の同定においてDiceスコア0.8397でより良い登録性能を実現する。
登録速度に関しては、cpu上でテストする場合、最も競争力のあるsyn(affine)メソッドより約10倍高速である。
また, 本手法は, 臨床応用に高い堅牢性を示すため, スキャン情報の欠如を伴わずに, より困難な課題に対して良好に動作できることを実証する。
関連論文リスト
- Recurrent Inference Machine for Medical Image Registration [11.351457718409788]
本稿では,リカレント推論画像登録(RIIR)ネットワークと呼ばれる新しい画像登録手法を提案する。
RIIRは、メタラーニングによる登録問題の解法として反復的に定式化される。
実験の結果、RIIRはトレーニングデータの5%しか持たない深層学習法よりも優れていた。
論文 参考訳（メタデータ） (2024-06-19T10:06:35Z) - RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge [1.7625447004432986]
デジタル病理学を専門とする科学コミュニティや病院では,堅牢で効率的かつ正確な登録方法が望まれている。
i) 深層学習と特徴に基づく初期アライメントアルゴリズムと(ii) 強度に基づく非厳密な登録からなる2段階のハイブリッド手法を提案する。
提案手法は特定のデータセットへの微調整を一切必要とせず,任意の組織タイプや染色に直接使用することができる。
論文 参考訳（メタデータ） (2024-04-19T16:19:30Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳（メタデータ） (2023-10-18T02:59:57Z) - 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) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳（メタデータ） (2023-02-05T02:41:46Z) - 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) - SAME: Deformable Image Registration based on Self-supervised Anatomical
Embeddings [16.38383865408585]
この研究は、ピクセルレベルでの2つの画像間の密度の高い解剖学的/意味的対応を計算できる最近のアルゴリズムSAMに基づいて構築されている。
本手法は, 画像登録をアフィン変換, 粗変形, 深部変形可能な3段階に分割する。
論文 参考訳（メタデータ） (2021-09-23T18:03:11Z) - 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) - 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) - CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration [34.546992605648086]
サイクル整合性は、変形中のトポロジを保存するために暗黙の正規化を提供することで、画像登録性能を向上させる。
医学的・非医学的な応用から得られた様々なデータセットに対する実験結果から,提案手法は,数秒以内に多様な画像対を効果的かつ正確に登録できることを示した。
論文 参考訳（メタデータ） (2020-08-13T09:30:12Z) - 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。