論文の概要: Unsupervised Multimodal Image Registration with Adaptative Gradient Guidance

• arxiv url: http://arxiv.org/abs/2011.06216v1
• Date: Thu, 12 Nov 2020 05:47:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 07:35:11.758866
• Title: Unsupervised Multimodal Image Registration with Adaptative Gradient Guidance
• Title（参考訳）: 適応的勾配誘導による教師なしマルチモーダル画像登録
• Authors: Zhe Xu, Jiangpeng Yan, Jie Luo, Xiu Li, Jayender Jagadeesan
• Abstract要約: 教師なし学習に基づく手法は、変形可能な画像登録における精度と効率よりも有望な性能を示す。 既存の手法の予測変形場は、登録済み画像対に完全に依存する。 両モデルから推定される変形場を利用する新しい多モード登録フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 23.461130560414805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal image registration (MIR) is a fundamental procedure in many image-guided therapies. Recently, unsupervised learning-based methods have demonstrated promising performance over accuracy and efficiency in deformable image registration. However, the estimated deformation fields of the existing methods fully rely on the to-be-registered image pair. It is difficult for the networks to be aware of the mismatched boundaries, resulting in unsatisfactory organ boundary alignment. In this paper, we propose a novel multimodal registration framework, which leverages the deformation fields estimated from both: (i) the original to-be-registered image pair, (ii) their corresponding gradient intensity maps, and adaptively fuses them with the proposed gated fusion module. With the help of auxiliary gradient-space guidance, the network can concentrate more on the spatial relationship of the organ boundary. Experimental results on two clinically acquired CT-MRI datasets demonstrate the effectiveness of our proposed approach.
• Abstract（参考訳）: マルチモーダル画像登録(MIR)は多くの画像誘導療法の基本的な手順である。 近年,教師なし学習に基づく手法が,変形可能な画像登録における精度と効率よりも有望な性能を示している。 しかし,既存手法の予測変形場は,登録済み画像対に完全に依存している。 ネットワークが不一致の境界を認識することは困難であり、結果として臓器境界のアライメントが不十分になる。 本稿では,その両方から推定される変形場を利用する,新しいマルチモーダル登録フレームワークを提案する。 (i)元来の登録済み画像対 (II) 対応する勾配強度写像が提案されたゲート融合モジュールと適応的に融合する。 補助勾配空間指導の助けを借りて、ネットワークは臓器境界の空間的関係に集中することができる。 臨床的に得られた2つのCT-MRIデータセットの実験結果から,提案手法の有効性が示された。

関連論文リスト

• Weakly supervised alignment and registration of MR-CT for cervical cancer radiotherapy [9.060365057476133]
  子宮頸癌は女性の死因の1つである。 予備的な空間アライメントアルゴリズムと弱教師付きマルチモーダル登録ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-21T15:05:51Z)
• Improving Misaligned Multi-modality Image Fusion with One-stage Progressive Dense Registration [67.23451452670282]
  多モード画像間の相違は、画像融合の課題を引き起こす。 マルチスケールプログレッシブ・センス・レジストレーション方式を提案する。 このスキームは、一段階最適化のみで粗大な登録を行う。
  論文  参考訳（メタデータ） (2023-08-22T03:46:24Z)
• 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)
• Multi-modal unsupervised brain image registration using edge maps [7.49320945341034]
  本稿では,マルチモーダル画像登録手法を提案する。 この背景にある直感は、強い勾配の像の位置が組織の遷移を意味すると仮定されている。 我々は3つの異なる損失関数を用いて、異なる被験者のマルチモーダル(T1wからT2w)磁気共鳴(MR)脳画像を登録する状況において、我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2022-02-09T15:50:14Z)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Patch-based field-of-view matching in multi-modal images for electroporation-based ablations [0.6285581681015912]
  マルチモーダルイメージングセンサーは、現在、介入治療作業フローの異なるステップに関与している。 この情報を統合するには、取得した画像間の観測された解剖の正確な空間的アライメントに依存する。 本稿では, ボクセルパッチを用いた地域登録手法が, ボクセルワイドアプローチと「グローバルシフト」アプローチとの間に優れた構造的妥協をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-11-09T11:27:45Z)
• Adversarial Uni- and Multi-modal Stream Networks for Multimodal Image Registration [20.637787406888478]
  CT画像とMR画像との変形性画像登録は多くの画像誘導療法において不可欠である。 本稿では,新しい翻訳に基づく教師なしデフォルマブル画像登録手法を提案する。 本手法は2つの臨床データセットで評価され,最先端の従来法と学習法と比較して有望な結果が得られた。
  論文  参考訳（メタデータ） (2020-07-06T14:44:06Z)
• CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
  我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。 CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
  論文  参考訳（メタデータ） (2020-06-11T10:51:33Z)
• 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)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。