論文の概要: CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration

• arxiv url: http://arxiv.org/abs/2008.05772v1
• Date: Thu, 13 Aug 2020 09:30:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 22:30:34.497341
• Title: CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration
• Title（参考訳）: CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration
• Authors: Boah Kim, Dong Hwan Kim, Seong Ho Park, Jieun Kim, June-Goo Lee, Jong Chul Ye
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 34.546992605648086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration is a fundamental task in medical image analysis. Recently, deep learning based image registration methods have been extensively investigated due to their excellent performance despite the ultra-fast computational time. However, the existing deep learning methods still have limitation in the preservation of original topology during the deformation with registration vector fields. To address this issues, here we present a cycle-consistent deformable image registration. The cycle consistency enhances image registration performance by providing an implicit regularization to preserve topology during the deformation. The proposed method is so flexible that can be applied for both 2D and 3D registration problems for various applications, and can be easily extended to multi-scale implementation to deal with the memory issues in large volume registration. Experimental results on various datasets from medical and non-medical applications demonstrate that the proposed method provides effective and accurate registration on diverse image pairs within a few seconds. Qualitative and quantitative evaluations on deformation fields also verify the effectiveness of the cycle consistency of the proposed method.
• Abstract（参考訳）: 画像登録は医用画像解析における基本課題である。 近年,超高速な計算時間にもかかわらず,ディープラーニングに基づく画像登録手法は優れた性能で広く研究されている。 しかし, 既存の深層学習法では, 登録ベクトル場による変形における元のトポロジーの保存が制限されている。 この問題に対処するために、サイクル一貫性のある変形可能な画像登録を提案する。 サイクル整合性は、変形中にトポロジを保存する暗黙の規則化を提供することで、画像登録性能を向上させる。 提案手法は非常に柔軟であり, 各種アプリケーションの2次元および3次元の登録問題にも適用可能であり, 大量登録時のメモリ問題に対処するために, マルチスケール実装に容易に拡張できる。 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。 また, 変形場の定性的, 定量的評価を行い, 提案手法の有効性を検証した。

関連論文リスト

• Breaking Modality Disparity: Harmonized Representation for Infrared and Visible Image Registration [66.33746403815283]
  シーン適応型赤外線と可視画像の登録を提案する。 我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。 我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
  論文  参考訳（メタデータ） (2023-04-12T06:49:56Z)
• Learning Homeomorphic Image Registration via Conformal-Invariant Hyperelastic Regularisation [9.53064372566798]
  共形不変性に基づく変形可能な画像登録のための新しいフレームワークを提案する。 我々の正規化器は、変形場が滑らかで、可逆で、配向保存されるように強制する。 我々は,数値的および視覚的な実験を通じて,我々のフレームワークが現在の画像登録技術より優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-14T17:47:18Z)
• ABN: Anti-Blur Neural Networks for Multi-Stage Deformable Image Registration [20.054872823030454]
  変形可能な画像登録は、ニューロイメージングのための重要な前処理ステップとして機能する。 マルチステージ画像登録のための新しい解として,アンチブルネットワーク (ABN) を提案する。
  論文  参考訳（メタデータ） (2022-12-06T19:21:43Z)
• 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)
• DiffuseMorph: Unsupervised Deformable Image Registration Along Continuous Trajectory Using Diffusion Models [31.826844124173984]
  DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。 本モデルは,動画像と固定画像の変形のスコア関数を学習する。 本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
  論文  参考訳（メタデータ） (2021-12-09T08:41:23Z)
• 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)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Test-Time Training for Deformable Multi-Scale Image Registration [15.523457398508263]
  VoxelMorphのようなディープラーニングベースの登録アプローチが出現し、競争パフォーマンスを達成しています。 従来の学習型登録モデルの一般化能力を向上させるために, デフォーマブル画像登録のためのテストタイムトレーニングを構築した。
  論文  参考訳（メタデータ） (2021-03-25T03:22:59Z)
• 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)
• 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 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。