論文の概要: FDRN: A Fast Deformable Registration Network for Medical Images
- arxiv url: http://arxiv.org/abs/2011.02307v4
- Date: Wed, 23 Jun 2021 18:43:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 23:00:00.716286
- Title: FDRN: A Fast Deformable Registration Network for Medical Images
- Title（参考訳）: fdrn:医療画像のための高速変形可能な登録ネットワーク
- Authors: Kaicong Sun and Sven Simon
- Abstract要約: 本稿では,高速な畳み込みニューラルネットワークを提案する。
FDRNは、コンパクトなネットワーク構造と効率的な学習により、既存の脳MR画像の最先端登録方法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 3.3504365823045044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deformable image registration is a fundamental task in medical imaging. Due
to the large computational complexity of deformable registration of volumetric
images, conventional iterative methods usually face the tradeoff between the
registration accuracy and the computation time in practice. In order to boost
the registration performance in both accuracy and runtime, we propose a fast
convolutional neural network. Specially, to efficiently utilize the memory
resources and enlarge the model capacity, we adopt additive forwarding instead
of channel concatenation and deepen the network in each encoder and decoder
stage. To facilitate the learning efficiency, we leverage skip connection
within the encoder and decoder stages to enable residual learning and employ an
auxiliary loss at the bottom layer with lowest resolution to involve deep
supervision. Particularly, the low-resolution auxiliary loss is weighted by an
exponentially decayed parameter during the training phase. In conjunction with
the main loss in high-resolution grid, a coarse-to-fine learning strategy is
achieved. Last but not least, we introduce an auxiliary loss based on the
segmentation prior to improve the registration performance in Dice score.
Comparing to the auxiliary loss using average Dice score, the proposed
multi-label segmentation loss does not induce additional memory cost in the
training phase and can be employed on images with arbitrary amount of
categories. In the experiments, we show FDRN outperforms the existing
state-of-the-art registration methods for brain MR images by resorting to the
compact network structure and efficient learning. Besides, FDRN is a
generalized framework for image registration which is not confined to a
particular type of medical images or anatomy.
- Abstract（参考訳）: 変形可能な画像登録は医療画像の基本的な課題である。
ボリューム画像の変形可能な登録の計算複雑性が大きいため、従来の反復法は通常、登録精度と実際の計算時間とのトレードオフに直面している。
精度と実行時間の両方で登録性能を向上させるため,高速畳み込みニューラルネットワークを提案する。
特に、メモリ資源を効率的に活用し、モデル容量を拡大するために、各エンコーダおよびデコーダステージにおいて、チャネル結合の代わりに付加フォワードを採用し、ネットワークを深くする。
学習効率を高めるため,エンコーダおよびデコーダ段内のスキップ接続を活用し,残差学習を可能にし,下位層の補助損失を最小の分解能で活用し,深い監督を行う。
特に、トレーニングフェーズ中に指数減衰パラメータによって低分解能補助損失を重み付けする。
高解像度グリッドの主な損失と合わせて、粗大な学習戦略が達成される。
最後に, Dice スコアの登録性能を改善するために, セグメンテーションに基づく補助的損失を導入する。
平均diceスコアを用いた補助損失と比較すると,提案するマルチラベルセグメンテーション損失はトレーニング段階で追加のメモリコストを生じさせず,任意の量のカテゴリを持つ画像に適用できる。
実験では,fdrnが,コンパクトネットワーク構造と効率的な学習を駆使して,既存の脳mr画像の最先端登録手法よりも優れていることを示す。
さらに、FDRNは画像登録のための一般的なフレームワークであり、特定の種類の医療画像や解剖に制限されない。
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) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳（メタデータ） (2023-07-20T16:00:19Z) - Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳（メタデータ） (2023-07-07T13:17:12Z) - 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) - DIVISION: Memory Efficient Training via Dual Activation Precision [60.153754740511864]
最先端の研究は、量子化ビット幅の探索とトレーニングを組み合わせることで、手順を複雑にし、透明性を損なう。
そこで本研究では,DNNトレーニングを簡易かつ効果的に圧縮する手法を提案する。
実験結果によると、DIVISIONは10倍以上のアクティベーションマップの圧縮や、モデルの精度を損なうことなく、競争訓練のスループットなど、最先端の手法よりも総合的な性能を示している。
論文 参考訳（メタデータ） (2022-08-05T03:15:28Z) - Non-iterative Coarse-to-fine Registration based on Single-pass Deep
Cumulative Learning [11.795108660250843]
変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。
NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
論文 参考訳（メタデータ） (2022-06-25T08:34:59Z) - A low-rank representation for unsupervised registration of medical
images [10.499611180329804]
本稿では,低ランク表現,すなわちRegnet-LRRに基づく新しい手法を提案する。
低ランク表現は、モデルの能力と堅牢性を高め、ノイズの多いデータ登録シナリオにおいて大幅な改善をもたらすことを示す。
論文 参考訳（メタデータ） (2021-05-20T07:04:10Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - DeepFLASH: An Efficient Network for Learning-based Medical Image
Registration [8.781861951759948]
DeepFLASHは、学習に基づく医用画像登録のための効率的なトレーニングと推論を行う新しいネットワークである。
我々は2次元合成データと3次元実脳磁気共鳴(MR)画像の2つの異なる画像登録法でアルゴリズムを実証した。
論文 参考訳（メタデータ） (2020-04-05T05:17:07Z)
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。