論文の概要: A Deep Network for Joint Registration and Reconstruction of Images with Pathologies

• arxiv url: http://arxiv.org/abs/2008.07628v1
• Date: Mon, 17 Aug 2020 21:26:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 04:19:01.677926
• Title: A Deep Network for Joint Registration and Reconstruction of Images with Pathologies
• Title（参考訳）: 病理画像の統合登録と再構成のためのディープネットワーク
• Authors: Xu Han, Zhengyang Shen, Zhenlin Xu, Spyridon Bakas, Hamed Akbari, Michel Bilello, Christos Davatzikos, Marc Niethammer
• Abstract要約: 本稿では,脳腫瘍の画像をアトラスに登録する深層学習手法を提案する。 本モデルでは,腫瘍のある画像からアトラスへの画像マッピングを学習し,同時にアトラス空間への変換を予測した。 人工脳腫瘍と実際の脳腫瘍の2つの検査結果から,本手法はアトラスへの登録に要するコスト関数マスキングよりも優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 23.482220384665165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Registration of images with pathologies is challenging due to tissue appearance changes and missing correspondences caused by the pathologies. Moreover, mass effects as observed for brain tumors may displace tissue, creating larger deformations over time than what is observed in a healthy brain. Deep learning models have successfully been applied to image registration to offer dramatic speed up and to use surrogate information (e.g., segmentations) during training. However, existing approaches focus on learning registration models using images from healthy patients. They are therefore not designed for the registration of images with strong pathologies for example in the context of brain tumors, and traumatic brain injuries. In this work, we explore a deep learning approach to register images with brain tumors to an atlas. Our model learns an appearance mapping from images with tumors to the atlas, while simultaneously predicting the transformation to atlas space. Using separate decoders, the network disentangles the tumor mass effect from the reconstruction of quasi-normal images. Results on both synthetic and real brain tumor scans show that our approach outperforms cost function masking for registration to the atlas and that reconstructed quasi-normal images can be used for better longitudinal registrations.
• Abstract（参考訳）: 病理像の登録は組織外観の変化と病理像による対応の欠如により困難である。 さらに、脳腫瘍で観察される質量効果は組織を変位させ、健康な脳で観察されるものよりも時間とともに大きな変形を引き起こす可能性がある。 ディープラーニングモデルは、画像登録に成功して、劇的なスピードアップを提供し、トレーニング中に代理情報(例えばセグメンテーション)を使用することができる。 しかし、既存のアプローチでは、健康な患者の画像を用いた登録モデルの学習に重点を置いている。 そのため、脳腫瘍や外傷性脳損傷など、強い病理を持つ画像の登録のためには設計されていない。 本研究では,脳腫瘍の画像をアトラスに登録する深層学習手法について検討する。 本モデルでは,腫瘍のある画像からアトラスへの画像マッピングを学習し,同時にアトラス空間への変換を予測する。 分離されたデコーダを用いて、ネットワークは準正規画像の再構成から腫瘍の質量効果を解き放つ。 その結果,本手法はatlasへの登録に要するコスト関数マスクよりも優れており,再構成された準正常画像がより良好な縦断登録に利用できることがわかった。

関連論文リスト

• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• Deepfake Image Generation for Improved Brain Tumor Segmentation [0.0]
  本研究は,脳腫瘍セグメンテーションにおけるディープフェイク画像生成の可能性について検討した。 Generative Adversarial Networkは、ディープフェイク画像で訓練されたU-Netベースの畳み込みニューラルネットワークを用いて、画像から画像への変換と画像のセグメンテーションに使用された。 その結果,画像セグメンテーションの品質指標の面ではパフォーマンスが向上し,限られたデータでトレーニングする際の支援が可能となった。
  論文  参考訳（メタデータ） (2023-07-26T16:11:51Z)
• Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
  我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。 本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
  論文  参考訳（メタデータ） (2023-03-26T14:14:58Z)
• MetaMorph: Learning Metamorphic Image Transformation With Appearance Changes [7.248454903977972]
  外観変化を伴う画像の登録のための新しい予測モデルMetaMorph(脳腫瘍による画像の登録)を提案する。 本モデルでは, 外観変化領域の負の効果を効果的に抑制できる新しい正規化を導入する。 実際のヒト脳腫瘍MRI画像におけるMetaMorphの有用性について検討した。
  論文  参考訳（メタデータ） (2023-03-08T19:30:58Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Subject-Specific Lesion Generation and Pseudo-Healthy Synthesis for Multiple Sclerosis Brain Images [1.7328025136996081]
  局所病変の特徴をモデル化するための新しい生成法を提案する。 健康な画像に合成病変を生成し、病理画像から被写体特異的な擬似健康画像を合成することができる。 提案手法は,脳画像分割ネットワークを訓練するための合成画像を生成するデータ拡張モジュールとして利用することができる。
  論文  参考訳（メタデータ） (2022-08-03T15:12:55Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• 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)
• Symmetric-Constrained Irregular Structure Inpainting for Brain MRI Registration with Tumor Pathology [33.90454917741234]
  腫瘍領域に合成組織強度を発生させるコンテキスト認識型画像インパインティングフレームワークを提案する。 パッチワイズ機能間のセマンティックな関連性をモデル化して詳細を洗練するために,機能レベルのパッチマッチ改善モジュールを適用した。 提案手法は,信号対雑音比,構造類似度指数,ピーク信号対雑音比,L1誤差を低減した結果を得た。
  論文  参考訳（メタデータ） (2021-01-17T20:38:50Z)
• Learning Deformable Registration of Medical Images with Anatomical Constraints [4.397224870979238]
  医用画像解析の分野では、変形可能な画像登録が根本的な問題である。 我々は,画像解剖学のグローバルな非線形表現をセグメンテーションマスクを用いて学習し,それらを用いて登録プロセスの制約を行う。 実験により,提案した解剖学的制約付き登録モデルにより,最先端の手法よりも現実的で正確な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-01-20T17:44:11Z)

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。